Synergy of Edge Intelligence and Blockchain: A Comprehensive Survey
Notice bibliographique
Résumé
Edge intelligence (EI), as an emerging technology, has been attracting significant attention. It pushes the frontier of artificial intelligence (AI) from the cloud to the network edge, aiming to embrace and support the next-generation communications while unleashing AI services. However, it faces challenges in its decentralized management and security, which limit its capabilities to support services with numerous requirements. On the other side, blockchain (BC), as a promising decentralized technology, is beneficial to tackle the above issues. However, there exist some technical challenges for BC, such as transaction capacity, scalability, and fault tolerance. Motivated by significant current interest around EI and BC, this survey examines whether the synergy of EI and BC can make a powerful network with combined functionalities of both cutting-edge technologies. Accordingly, we develop EI-chain and Chain-intelligence to realize reliable computing-power management, data administration, and model optimization at the edges, while improving the functions of BC by leveraging complementary characteristics of EI and BC, further making up for their own limitations. In this survey, a wide spectrum of literature is carefully reviewed to enable the EI-chain and Chain-intelligence. Moreover, we cover the technological aspects of EI-chain and Chain-intelligence: overview, motivations, and frameworks. Finally, some challenges and future directions are explored. We believe this survey will provide developers and researchers a comprehensive view on the synergy of EI and BC, while accelerating the design of a powerful integrated network.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».