MétaCan
Menu
Retour à la cohorte
Enregistrement W4285117925 · doi:10.1109/comst.2022.3189962

Integrating Edge Intelligence and Blockchain: What, Why, and How

2022· article· en· W4285117925 sur OpenAlexaff
Xiaofei Wang, Xiaoxu Ren, Chao Qiu, Zehui Xiong, Haipeng Yao, Victor C. M. Leung

Notice bibliographique

RevueIEEE Communications Surveys & Tutorials · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlockchain Technology Applications and Security
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Key Research and Development Program of ChinaChina Postdoctoral Science FoundationScience, Technology and Innovation Commission of Shenzhen MunicipalityNational Research Foundation SingaporeNational Natural Science Foundation of ChinaSingapore University of Technology and Design
Mots-clésScalabilityCloud computingContext (archaeology)Computer scienceData scienceIncentiveEnhanced Data Rates for GSM EvolutionRelevance (law)BlockchainProtocol (science)Knowledge managementComputer securityArtificial intelligencePolitical scienceDatabase

Résumé

récupéré en direct d'OpenAlex

Driven by an unprecedented boom in artificial intelligence (AI) and Internet of Things (IoT), edge intelligence (EI) pushes the frontier of AI from cloud to network edge, serving as a remarkable solution that unlocks the full potential of AI services. It is yet facing critical challenges in its decentralized management and security, limiting its capabilities to support services with numerous requirements. In this context, blockchain (BC) has been seen as a promising solution to tackle the above issues, and further support EI. Based on the number of citations or the relevance of emerging methods, this paper presents the results of a literature survey on the integration of EI and BC. Accordingly, we summarize the recent research efforts reported in the existing works on EI and BC. We then paint a comprehensive picture of the limitations of EI and why BC could benefit from EI. From there, we explore how BC benefits EI in terms of computing power management, data administration, and model optimization. In order to narrow the gap between immature BC and EI-amicable BC, we also probe into how to tailor BC to EI from four perspectives, including flexible consensus protocol, effective incentive, intellectuality smart contract, and scalability. Finally, some research challenges and future directions are presented. Different from existing surveys, our work focuses on the integration of EI and BC, develops some general models to help the reader build relevant optimization models in the integrated system, as well as provides detailed tutorials on implementation. We anticipate that this survey will motivate further discussions on the synergy of EI and BC, and offer some guidance in EI, BC, future networks, and other areas.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,003
Communication savante0,0050,013
Science ouverte0,0020,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,283
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations77
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Communications Surveys & TutorialsMême sujetBlockchain Technology Applications and SecurityTravaux en français237 207