TrimCaching: 无线边缘网络中的参数共享 AI 模型缓存

提出了一种基于位置定制的缓存方案，使用线性模型估计未来内容命中率，实现自适应缓存决策。

提出了模型广播和装配（MBA）框架，通过参数广播减少通信开销和下载延迟，提供设备的模型性能保证。

基于多智能体框架的深度强化学习方法最小化整体平均传输延迟，显示出对不同环境的强大能力。

研究雾计算网络中的边缘缓存，提出容量感知的边缘缓存框架，最小化平均下载时间（ADT）。

提出协作边缘训练机制，利用可信的边缘设备加速大型人工智能模型训练，分析其优点和挑战。

通过自适应压缩感知裂化学习方法改善深度学习模型的训练效率，提升推理能力而不损失准确性。

开发优化模型研究车载缓存方案，优化缓存决策和网络能效，提升能耗效率和系统收益。

提出基于强化学习的 AI 策略 SplitPlace，实现高效可扩展的计算，显著提高响应时间和推断准确度。

提出基于双深度强化学习缓存的解决方案，综合考虑文件特征，实现优异性能并引入迁移学习。

提出在资源受限设备上部署和训练模型的新解决方案，允许实时增量更新和识别新类别。