Collaborative Inference in the Extreme Edge: A Proactive Task Allocation Scheme
Notice bibliographique
Résumé
The growing demand for foundation model (FM)-powered services has sparked debates about the scalability of their deployment, due to the intensive resource requirements, latency sensitivity, and privacy-related concerns. To overcome these limitations, recent efforts advocate for the democratization of AI through eXtreme Edge Computing (XEC). XEC leverages the idle computational capacities of user-owned devices, referred to as eXtreme Edge Devices (XEDs), to enable distributed inference. While recent advances have brought this vision closer to technical feasibility, achieving low-latency inference at the eXtreme Edge (XE) remains challenging due to the dynamic and heterogeneous nature of XEDs and the full-task dependency among subtasks required for successful inference. In this work, we introduce the Proactive Minimum Response Delay (P-MRD) scheme. P-MRD incorporates predictions of dynamic resource availability to proactively form collaborative compute clusters that ensure full inference task completion while minimizing response delays and maintaining Quality of Service (QoS) constraints. We formulate the task allocation problem as a Binary Integer Linear Program (BILP) and derive an analytical solution using Lagrangian analysis and the Karush-Kuhn-Tucker (KKT) conditions. Additionally, we propose a greedy heuristic algorithm that efficiently approximates the optimal solution. Performance evaluations using data from a realistic testbed demonstrate that P-MRD achieves a 31% reduction in the response delay and a 62% increase in the inference success rate compared to prominent baselines.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».