DSPCI-MTL: Dynamic split point computing in multi-task learning implementation with collaborative intelligence
Notice bibliographique
Résumé
Deep Neural Networks (DNNs) have become a crucial technology in image processing, renowned for their ability to generate effective feature maps. The integration of DNNs within Internet of Things (IoT) environments, particularly in multi-task robots and swarm systems, has positioned them as vital components in various applications. However, their deployment in IoT devices frequently encounters challenges such as limited hardware capabilities, constrained bandwidth, prolonged data transmission times, and image packet loss due to transmission losses. To address these issues, this paper introduces the Multi-Task Learning (MTL) method of Collaborative Intelligence (CI) strategy by dynamically distributing computational tasks among edge devices and cloud. This method addresses the potential performance degradation caused by suboptimal computational splitting points of DNN for multiple tasks (segmentation, classification, depth estimation) and compensates for losses under varying network conditions and data sizes. A key innovation of our methodology is the introduction of a dynamic method to determine split points by computing DNN layers based on real-time bandwidth and data volume. In addition, an Auto Encoder (AE) architecture is implemented in the cloud to reconstruct image data packets lost during transmission based on feature map similarity measurements. Experimental results show that processing all transactions in the cloud with specific operational parameters reduces processing time by 38 % compared to traditional methods, while dynamically selecting the split point results in gains of up to 61 %. Furthermore, the proposed method achieves efficiency by reducing energy consumption by up to 50 % compared to cloud-only processing. It demonstrates robustness under varying network delays and reduces inference time by up to 47.5 % under low-latency conditions. In this regard, the innovative use of an AE for data loss reconstruction also shows significant potential in complex and long-distance images compared to traditional methods and gives promising results in improving data integrity and system performance. The results confirm the efficacy of the proposed architecture in real-time distributed processing and IoT-based smart systems. • A hybrid model based on MTL, and improved CI to efficient multi-task processing. • A method to dynamically optimize the split point in DNN architectures. • An Auto Encoder architecture to recover data lost during transmission. • Reduced processing time and energy usage as well as increased operational efficiency.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».