Integrating Edge Intelligence and Blockchain: What, Why, and How
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,003 |
| 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 découle