Survey of Attacks and Defenses on Edge-Deployed Neural Networks
Adaptive and Secure Computing Systems (ASCS) Laboratory（自适应与安全计算系统（ASCS）实验室）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
深度神经网络（DNN）的工作负载正在从数据中心快速转移到边缘设备上，这是出于延迟、隐私或能源方面的原因。虽然数据中心网络可以使用传统的网络安全措施进行保护，但边缘神经网络带来了许多新的安全挑战。与经典的物联网应用不同，边缘神经网络通常是计算和内存密集型的，其执行与数据无关，并且对噪声和故障具有鲁棒性。神经网络模型的开发可能非常昂贵，并且可能会泄露有关它们所训练的私有数据的信息，需要在分发时特别小心。网络的隐藏状态和输出也可以用于重构用户输入，这可能会侵犯用户的隐私。此外，神经网络容易受到对抗攻击的攻击，这可能导致错误分类并破坏输出的完整性。这些属性在保护边缘部署的DNN时增加了挑战，需要新的考虑因素，威胁模型，优先级和方法来安全和私密地将DNN部署到边缘。在这项工作中，我们涵盖了对部署在边缘设备中的神经网络的攻击和防御，并提供了针对边缘DNN的攻击和防御的分类。
2019-11-27 cs.CR cs.LG stat.ML
Revisiting Role Discovery in Networks: From Node to Edge Roles
Intel Labs（英特尔实验室）；Palo Alto Research Center（帕洛阿尔托研究中心）
以前的网络分析工作集中在对图中节点角色的混合成员关系建模，而不是对边的角色建模。我们介绍了边缘角色发现问题，并提出了一个可推广的框架，学习和提取边缘角色从任意图自动。此外，虽然现有的以节点为中心的角色模型主要集中在简单的程度和egonet功能，这项工作还探讨了角色发现的graphlet功能。此外，我们还开发了一种方法，自动学习和提取重要的和有用的边缘功能，从任意图。实验结果表明，从各种问题域的各种图形的网络分析任务的边缘角色的效用。
2016-11-07 cs.LG cs.SI stat.ML
Edge AI: On-Demand Accelerating Deep Neural Network Inference via Edge Computing
Sun Yat-sen University（中山大学）
深度神经网络（DNN）作为5G时代人工智能（AI）应用的关键技术，迅速引起了广泛关注。然而，由于有限的计算资源，在移动设备上运行计算密集型的基于DNN的任务具有挑战性。更糟糕的是，传统的云辅助DNN推理受到显著的广域网延迟的严重阻碍，导致实时性能差以及用户体验质量低。为了应对这些挑战，在本文中，我们提出了Edgent，这是一个通过设备边缘协同作用利用边缘计算进行DNN协作推理的框架。Edgent利用了两个设计旋钮：（1）DNN分区，自适应地在设备和边缘之间划分计算，以协调强大的云资源和近端边缘资源进行实时DNN推理;（2）DNN合理调整，通过在适当的中间DNN层进行早期退出推理，进一步减少计算延迟。此外，考虑到实际部署中潜在的网络波动，Edgentis适当地设计以专门用于静态和动态网络环境。具体而言，在带宽变化缓慢的静态环境中，Edgent借助基于回归的预测模型得出最佳配置，而在带宽变化剧烈的动态环境中，Edgent通过在线变化点检测算法将当前带宽状态映射到最佳配置，从而生成最佳执行计划。我们基于Raspberry Pi和桌面PC实现了Edgent原型，广泛的实验评估证明了Edgent在实现按需低延迟边缘智能方面的有效性。
2019-10-04 cs.CV cs.DC cs.LG
EdgeNets:Edge Varying Graph Neural Networks
Delft University of Technology（代尔夫特理工大学）；University of California, Berkeley（加州大学伯克利分校）；University of Pennsylvania（宾夕法尼亚大学）
由于神经网络在结构化欧几里德域中的出色表现，近年来人们对开发用于图和图上支持的数据的神经网络的兴趣激增。该图在神经网络的每一层都被用作参数化，以减少参数数量和计算复杂性来捕获节点级别的细节。根据这一基本原理，本文提出了一个通用框架，通过EdgeNet的概念统一了最先进的图神经网络（GNNs）。EdgeNet是一种GNN架构，允许不同的节点使用不同的参数来衡量不同邻居的信息。通过将此策略外推到相邻节点之间的更多迭代，EdgeNet学习边缘和相邻节点相关的权重以捕获局部细节。这是节点可以执行的一般线性和局部操作，并且在一个公式下包含所有现有的图卷积神经网络（GCNN）以及图注意力网络（GAT）。在使用通用语言编写不同的GNN架构时，EdgeNets强调了特定架构的优势和局限性，同时提供了在不影响本地实现的情况下提高其能力的指导方针。一个有趣的结论是GCNN和GAT的统一-到目前为止一直被认为是独立的方法。特别是，我们证明了GAT是从特征中学习的图上的GCNN。这种特殊化为发展其他注意力机制以提高歧视力打开了大门。
2021-07-27 cs.LG cs.NE eess.SP
Beyond Node Embedding: A Direct Unsupervised Edge Representation Framework for Homogeneous Networks
IBM Research（IBM研究院）；Indian Institute of Science（印度科学学院）
传统上，网络表示学习被用于寻找网络中节点的低维向量表示。然而，有非常重要的边缘驱动挖掘任务感兴趣的经典网络分析社区，其中大部分是未开发的网络嵌入空间。对于诸如同构网络中的链接预测的应用，矢量表示（即，嵌入）是通过使用边的端顶点的嵌入的简单聚合来解析地导出的。显然，这种导出边缘嵌入的方法是次优的，并且需要一种专用的无监督方法来通过利用网络的边缘属性来嵌入边缘。为此，我们提出了一种新的概念，将网络转换为其加权线图，它非常适合于找到原始网络的边缘嵌入。我们进一步推导出一种新的算法嵌入线图，通过引入集体同伦的概念。据我们所知，这是同构信息网络中第一个直接无监督的边嵌入方法，而不依赖于节点嵌入。我们验证了三个下游边缘挖掘任务的边缘嵌入。我们提出的边嵌入优化框架还生成了一组节点嵌入，而不仅仅是边的聚合。进一步的实验分析表明，我们的框架节点中心的概念的连接。
2019-12-11 cs.LG cs.SI
Edgeformers: Graph-Empowered Transformers for Representation Learning on Textual-Edge Networks
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
许多真实世界社交/信息网络中的边与富文本信息（例如，用户-用户通信或用户-产品评论）。然而，主流网络表示学习模型专注于传播和聚合节点属性，缺乏利用边上的文本语义的具体设计。虽然存在边缘感知的图神经网络，但它们直接将边缘属性初始化为特征向量，不能完全捕获边缘的上下文化文本语义。在本文中，我们提出了Edgeforers，一个框架，建立在图形增强的Transformers，执行边和节点表示学习的建模文本的边缘在上下文的方式。具体来说，在边缘表示学习中，我们在编码边缘文本时将网络信息注入每个Transformer层;在节点表示学习中，我们通过每个节点的自我图中的注意力机制聚合边缘表示。在来自三个不同领域的五个公共数据集上，Edgeformers在边缘分类和链接预测方面始终优于最先进的基线，分别展示了学习边缘和节点表示的功效。
2023-02-21 cs.CL cs.LG cs.SI
EdgeSpeechNets: Highly Efficient Deep Neural Networks for Speech Recognition on the Edge
University of Waterloo（滑铁卢大学）；DarwinAI Corp.（达尔文人工智能公司）；Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）
尽管显示出最先进的性能，但用于语音识别的深度学习仍然具有挑战性，难以部署在移动和其他消费设备等设备上的边缘场景中。最近，人们在设计更适合边缘设备的小型、低占用深度神经网络（DNN）方面做出了更大的努力，主要集中在手工制作高效网络架构的设计原则上。在这项研究中，我们探索了一种人机协同设计策略，通过人为驱动的原则性网络设计原型和机器驱动的设计探索的婚姻，为语音识别构建低占用DNN架构。通过设计一系列用于有限词汇语音识别的高效DNN（昵称为EdgeSpeechNets），证明了这种设计策略的有效性。使用Google Speech Commands数据集进行词汇量有限的语音识别的实验结果表明，EdgeSpeechNets比最先进的DNN具有更高的准确率（最好的EdgeSpeechNet达到约97%的准确率），同时实现更小的网络规模（小7.8倍）和更低的计算成本（乘加运算减少36倍，预测延迟降低10倍，摩托罗拉Moto E手机的内存占用减少16倍），使其非常适合设备上的边缘语音接口应用。
2018-11-13 cs.LG cs.NE cs.SD
EdgeAgentX: A Novel Framework for Agentic AI at the Edge in Military Communication Networks
Cornell University（康奈尔大学）
本文提出EdgeAgentX框架，融合联邦学习、多智能体强化学习与对抗防御，用于军事通信网络，显著提升自主决策、降低延迟、提高吞吐量并增强抗干扰能力。
2025-05-24 cs.AI cs.LG cs.MA
EdgeAgentX-DT: Integrating Digital Twins and Generative AI for Resilient Edge Intelligence in Tactical Networks
Cornell University（康奈尔大学）
本研究提出融合数字孪生与生成式AI的EdgeAgentX-DT框架，通过多层架构开展仿真训练，可提升战术网络边缘智能的收敛速度、吞吐量与抗故障干扰能力。
2025-07-28 cs.AI cs.LG
Recovering shared structure from multiple networks with unknown edge distributions
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Michigan（密歇根大学）
在越来越多的环境中，数据集由来自网络群体的多个样本组成，顶点在这些网络中对齐。例如，神经科学中的大脑连接网络由已经与共同模板对齐的大脑区域之间的相互作用的测量组成。我们考虑这样一种设置，即观察到的网络具有共同的期望，但它们边缘的噪声结构可能不同。我们的方法利用共享的平均结构去噪观测网络的边缘水平的测量和估计底层的人口水平的参数。我们还探讨了边缘级错误影响估计和下游推理的程度。本文建立了一个有限样本集中不等式，研究了随机加权邻接矩阵的低秩特征值截断问题。所提出的方法是说明合成网络和数据从fMRI研究精神分裂症。
2021-05-08 cs.LG eess.SP math.ST
Edge-Featured Graph Attention Network
School of Software（软件学院）；Shanghai Jiao Tong University（上海交通大学）
已经提出了许多神经网络架构来处理图结构数据上的学习任务。然而，这些模型中的大多数在学习过程中只关注节点特征。边缘特征通常起着与节点相似的重要作用，但这些模型往往忽略或简化了边缘特征。在本文中，我们提出了边特征图注意力网络，即EGAT，将图神经网络的使用扩展到具有节点和边特征的图上的学习任务。这些模型可以看作是图注意力网络（GATs）的扩展。通过改革模型结构和学习过程，新模型可以接受节点和边特征作为输入，将边信息纳入特征表示中，并以并行但相互的方式迭代节点和边特征。结果表明，我们的工作是非常有竞争力的其他节点分类方法，可以很好地应用于边特征图学习任务。
2021-01-19 cs.AI cs.LG
EdgeFLow: Serverless Federated Learning via Sequential Model Migration in Edge Networks
Dept. of Electronic Engineering, BNRist, Tsinghua University（电子工程系，北京理工大学，清华大学）
EdgeFLow通过边缘网络中的顺序模型迁移，实现无服务器联邦学习，减少通信开销并提升学习效率。
2026-03-03 cs.LG
Toward Edge-Centric Network Embeddings
Sapienza University of Rome（罗马大学）
现有的网络嵌入方法解决了学习低维节点表示的问题。然而，网络也可以从连接节点对的边的角度来看待。本文的主要目标是介绍以边缘为中心的网络嵌入。我们提出了一种称为ECNE的方法，而不是直接计算节点嵌入，计算边嵌入依赖于线图的概念，加上边加权机制，以保持动态的原始图中的线图。我们还提出了一个称为ECNE-LP的链接预测框架，该框架在给定目标链接（u，v）的情况下，首先收集节点u和v之间的路径，然后直接将边嵌入这些路径中，最后将它们聚集以预测链接的存在。我们表明，ECNE和ECNE-LP带来的好处wrt的最先进的。
2020-11-11 cs.LG cs.SI
Applying Machine Learning Techniques for Caching in Edge Networks: A Comprehensive Survey
COMSATS University Islamabad（COMSATS大学伊斯兰堡校区）；Umm Al-Qura University（乌姆·阿尔-库拉大学）；College of Computer and Information Systems, Umm Al-Qura University（乌姆·阿尔-库拉大学计算机与信息系统学院）
边缘网络是一种复杂而动态的计算模式，旨在将云资源推到更接近最终用户的位置，从而提高响应能力并减少回程流量。用户移动性、偏好和内容流行度是边缘网络的主要动态特征。利用内容的时间和社交特征，例如观看和喜欢的数量，从全局角度估计内容的受欢迎程度。然而，这种估计不应该被映射到具有特定社会和地理特征的边缘网络。在下一代边缘网络中，即，在5G和5G之后，机器学习技术可以应用于基于用户偏好预测内容流行度，基于相似内容兴趣对用户进行聚类，并优化缓存放置和替换策略，提供一组关于网络状态的约束和预测。机器学习的这些应用可以帮助识别边缘网络的相关内容。本文研究了机器学习技术在边缘网络中的网内缓存中的应用。我们调查了最新的最先进的文献，并制定了一个全面的分类法的基础上（a）机器学习技术（方法，目标和功能），（b）缓存策略（政策，位置和替换），（c）边缘网络（类型和交付策略）。一个比较分析的国家的最先进的文献中确定的分类参数。此外，我们讨论了最佳缓存决策的研究挑战和未来方向，以及边缘网络中机器学习的应用。
2020-11-03 cs.LG cs.NI
Learning Cooperative Beamforming with Edge-Update Empowered Graph Neural Networks
The University of Hong Kong（香港大学）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Tongji University（同济大学）
协作波束形成技术是现代无线网络中满足日益增长的各种无线数据业务需求的一种有效方法。它被制定为一个优化问题，在传统的方法和迭代解决的一个实例一个实例的方式。最近，基于学习的方法已经出现，通过近似从问题实例到相应的解决方案的映射函数来实时实现。在各种神经网络架构中，图神经网络（GNNs）可以有效地利用无线网络中的图拓扑结构，以实现对未知问题大小的更好的泛化能力。然而，目前的GNNs只配备了节点更新机制，这限制了它建模更复杂的问题，如协作波束成形设计，其中波束成形器位于无线网络的图边缘。为了填补这一空白，我们提出了一个边图神经网络（Edge-GNN），通过将边更新机制纳入GNN，学习图形边缘上的协作波束形成。仿真结果表明，所提出的边缘GNN实现更高的和速率与更短的计算时间比国家的最先进的方法，以及推广到不同数量的基站和用户设备。
2022-11-23 cs.LG cs.NI
Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Adobe Research（Adobe研究院）
时间网络对涉及实体之间的定时交互的各种重要现象进行建模。用于时间网络上的机器学习的现有方法通常表现出两个限制中的至少一个。首先，假设时间是离散化的，因此如果时间数据是连续的，用户必须确定离散化并丢弃精确的时间信息。其次，边缘表示只能从节点间接计算，这对于边缘分类等任务来说可能是次优的。我们提出了一种简单的方法，避免了这两个缺点：构建网络的线图，其中包括一个节点的每个交互，并根据交互之间的时间差来衡量这个图的边。从这个衍生图，可以计算出有效的经典方法的原始网络的边缘表示。这种方法的简单性有利于明确的理论分析：我们可以建设性地显示我们的方法的表示的时间网络的自然合成模型的有效性。真实网络上的实验结果表明，我们的方法的有效性和效率的边缘分类和时间链接预测。
2022-09-30 cs.LG cs.SI
Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network
Indian Institute of Science（印度科学学院）；Southeast Missouri State University（东南密苏里州立大学）
边缘节点对于检测物联网端点上的大量网络攻击至关重要，并将成为数十亿行业的一部分。这种新的网络基础设施层中的资源约束限制了现有的具有深度学习模型（DLM）的网络入侵检测系统的部署。我们解决这个问题，通过开发一种新的轻，快速，准确的“边缘检测”模型，使用DLM技术检测边缘节点上的分布式拒绝服务攻击。我们的模型可以在资源限制下工作，即低功耗，内存和处理能力，以有意义的速度产生准确的结果。它是通过创建基于长短期记忆或门控递归单元的单元层来构建的，这些单元以其出色的顺序数据表示而闻名。我们设计了一个实用的数据科学管道，使用递归神经网络从网络数据包行为中学习，以识别它是正常的还是面向攻击的。模型评估来自使用当前网络安全数据集（UNSW 2015）在Raspberry Pi代表的实际边缘节点上的部署。我们的研究结果表明，与传统的DLM技术相比，我们的模型保持了99%的高测试精度，即使在CPU和内存方面的资源利用率较低。此外，它的尺寸比最先进的型号小近3倍，但需要的测试时间要短得多。
2021-02-03 cs.CR cs.LG cs.NI
Split Learning in 6G Edge Networks
University of Hong Kong（香港大学）
本文综述6G边缘网络中的分割学习，阐述支撑架构、资源高效框架、单与多边缘资源管理、协作及移动性管理，并指出收敛、异步与U形SL等开放问题。
2024-01-24 cs.DC cs.LG cs.NI
Communication-Efficient Edge AI Inference Over Wireless Networks
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）
鉴于智能设备的快速增长，预计大量高风险人工智能（AI）应用，例如，无人驾驶飞机、自动驾驶汽车、触觉机器人，将在不久的将来部署在无线网络的边缘。因此，智能通信网络将被设计为利用先进的无线技术和边缘计算技术来支持各种终端设备上的AI应用，这些终端设备具有有限的通信、计算、硬件和能源资源。在本文中，我们将介绍在网络边缘有效部署模型推理的原则，以提供低延迟和节能的AI服务。这包括用于低延迟设备分布式模型推理的无线分布式计算框架以及用于节能边缘协作模型推理的无线协作传输策略。通过智能反射面建立智能无线电传播环境，进一步提高了边缘推理系统的通信效率。
2020-04-28 cs.IT cs.LG eess.SP
Edge Graph Intelligence: Reciprocally Empowering Edge Networks with Graph Intelligence
Sun Yat-sen University（中山大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Tsinghua University（清华大学）；Midea Group（美的集团）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Peng Cheng Laboratory（鹏城实验室）；Terminus Group（特斯联集团）；The University of Waterloo（滑铁卢大学）
本文提出 Edge GI（EGI）概念，系统综述图智能与边缘网络互惠赋能的闭环、基础技术、开放挑战与未来机遇。
2025-01-07 cs.AI cs.DC cs.LG
Electron energy loss spectroscopy database synthesis and automation of core-loss edge recognition by deep-learning neural networks
University of California, Irvine（加州大学欧文分校）
电子能量损失谱（EELS）谱中编码的电离边缘使得能够进行包括成分分析和元素定量的新材料分析。并行EELS仪器和快速、灵敏的探测器的发展大大提高了EELS光谱的采集速度。然而，传统的去芯边缘识别方法是基于经验和人工劳动的，这限制了处理速度。到目前为止，低信噪比和低跳变率的原始EELS光谱的核心损失的边缘一直是具有挑战性的自动边缘识别。在这项工作中，提出了一种卷积双向长短期记忆神经网络（CNN-BiLSTM），以自动检测和元素识别的核心损失边缘从原始光谱。EELS光谱数据库合成使用我们的前向模型，以协助训练和验证的神经网络。为了使合成的光谱类似于真实的光谱，我们收集了大量的实验获得的EELS核心边缘库。在训练库的合成中，采用多高斯模型拟合实验得到的真实边缘，并模拟和加入噪声和仪器不稳定性。训练良好的CNN-BiLSTM网络针对模拟光谱和从实验中收集的真实光谱进行测试。该网络的高准确率为94.9%，证明了在不对原始光谱进行复杂预处理的情况下，所提出的CNN-BiLSTM网络以高准确度实现了EELS光谱的核心丢失边缘识别的自动化。
2022-09-26 cond-mat.mtrl-sci cs.LG eess.SP
