首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

AdaFlowLite:异步移动数据的可扩展和非阻塞推理

2026-11-18 1 阅读 约1分钟阅读 Sicong Liu, Fengmin Wu, Yuan Gao, Bin Guo, Zimu Zhou, Hongkai Wen, Zhiwen Yu
分享:
字号:
arXiv:2611.21691v1 公告类型:新 摘要:配备众多传感器(例如激光雷达和摄像头)的移动设备的兴​​起推动了分布式传感任务(例如智能驾驶室和驾驶辅助)采用多模态深度智能。然而,移动传感数据的到达时间因模态大小和网络动态而变化,这可能导致延迟(如果等待慢速数据)或准确性下降(如果不等待而进行推理)。此外,移动系统的多样性和动态性加剧了这一挑战。作为回应,我们提出了对异步分布式多模态数据进行 \textit{机会主义} 推理的转变,以便在部分数据到达后立即进行推理。虽然现有方法侧重于优化模态一致性和互补性(称为模态亲和力),但它们缺乏 \textit{计算} 方法来控制开放世界移动环境中的这种亲和力。 % \sysname 率先使用基于分层分析的归一化矩阵在移动环境中制定结构化跨模态亲和力。这种方法适应了模式的多样性和动态性,概括了不同类型和数量的输入。 \sysname 采用多模式轻量级 Swin Transformer (MMLST),促进实时、灵活的数据插补,无需重新训练即可适应各种模式和下游任务。实验表明,\sysname 显着降低了推理延迟高达 80.4\%,将准确性提高了高达 62.1\%,同时实现了近 50\% 的能耗降低,优于现状方法。此外,该方法还可以增强 LLM 预处理异步数据的性能。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱