通过联邦层叠技术提升边缘计算中的 QoS：面向韧性 AI 终身学习系统的路径
人工智能
2025-07-29 v1
摘要
在信息技术快速演变的背景下，伴随 6G 通信网络的出现，我们面临数据量和复杂性日益增加的网络环境挑战。本文聚焦于边缘计算框架中的质量服务 (QoS)，提出通过开发通用人工智能终身学习系统来增强 QoS，特别强调联邦层叠技术 (FLT)。我们的工作引入一种联邦层叠的小模型协作机制，旨在提高资源受限环境中 AI 模型的运行效率和响应速度。这种创新方法利用云端和边缘计算的优势，融入小型 AI 模型间的协商与辩论机制，以增强推理与决策过程。通过将模型层叠技术与隐私保护措施相结合，我们的方法确保在保持高学习与推理效率的同时，安全传输模型参数。实验结果表明，我们的策略不仅提升了学习效率和推理准确度，还有效保护了边缘节点的隐私。这为实现韧性大型模型终身学习系统提供了可行方案，显著改善了边缘计算环境中的 QoS。
引用
@article{arxiv.2507.20444,
title = {Enhancing QoS in Edge Computing through Federated Layering Techniques: A Pathway to Resilient AI Lifelong Learning Systems},
author = {Chengzhuo Han},
journal= {arXiv preprint arXiv:2507.20444},
year = {2025}
}