مقاله یادگیری متحول شده متحد برای هوش مصنوعی چرخشی، ایمن و کوچک

چکیده

Deep Learning (DL) is penetrating into a diverse range of mass mobility, smart living, and industrial applications, rapidly transforming the way we live and work. DL is at the heart of many AI implementations. A key set of challenges is to produce AI modules that are: (1) “circular” – can solve new tasks without forgetting how to solve previous ones, (2) “secure” – have immunity to adversarial data attacks, and (3) “tiny” – implementable in low power low cost embedded hardware. Clearly it is difficult to achieve all three aspects on a single horizontal layer of platforms, as the techniques require transformed deep representations that incur different computation and communication requirements. Here we set out the vision to achieve transformed DL representations across a 5G and Beyond networked architecture. We first detail the cross-sectoral motivations for each challenge area, before demonstrating recent advances in DL research that can achieve circular, secure, and tiny AI (CST-AI). Recognising the conflicting demand of each transformed deep representation, we federate their deep learning transformations and functionalities across the network to achieve connected run-time capabilities.

چکیده به فارسی (ترجمه ماشینی)

یادگیری عمیق (DL) در طیف متنوعی از تحرک انبوه ، زندگی هوشمند و کاربردهای صنعتی نفوذ می کند و به سرعت شیوه زندگی و کار را تغییر می دهد.DL در قلب بسیاری از پیاده سازی های هوش مصنوعی قرار دارد.مجموعه اصلی چالش ها تولید ماژول های AI است که عبارتند از: (1) “دایره ای” – می تواند کارهای جدید را بدون فراموش کردن نحوه حل موارد قبلی ، (2) “ایمن” – از مصونیت از حملات داده های متناقض و (3) حل کند.”Tiny” – قابل اجرا در سخت افزار تعبیه شده کم هزینه کم.بدیهی است که دستیابی به هر سه جنبه در یک لایه افقی از سیستم عامل ها دشوار است ، زیرا این تکنیک ها به بازنمایی های عمیق تبدیل شده نیاز دارند که محاسبات و نیازهای مختلف را متحمل می شوند.در اینجا ما این چشم انداز را برای دستیابی به بازنمایی های DL تبدیل شده در یک معماری 5G و فراتر از آن بیان کردیم.ما ابتدا قبل از نشان دادن پیشرفت های اخیر در تحقیقات DL که می تواند به AI دایره ای ، ایمن و ریز (CST-AI) دست یابد ، انگیزه های مقطعی برای هر منطقه چالش را توضیح می دهیم.با شناخت تقاضای متناقض از هر بازنمایی عمیق ، ما تحولات و ویژگی های یادگیری عمیق آنها را در سراسر شبکه فدای می کنیم تا به قابلیت های زمان اجرا متصل برسیم.