Socialized Learning: A Survey of the Paradigm Shift for Edge Intelligence in Networked Systems

在人工智能（AI）和大数据的强劲推动下，边缘智能（EI）已经成为一种新兴的计算范式，将AI与边缘计算（EC）综合起来，成为释放AI服务全部潜力的典范解决方案。然而，通信成本、资源分配、隐私和安全等方面的挑战仍然制约着其支持具有多样化需求的服务的效能。为了解决这些问题，本文介绍了社交学习（SL）作为一种有前途的解决方案，进一步推动EI的发展。SL是一种基于社交原则和行为的学习范式，旨在增强EI系统内代理的协作能力和集体智能。SL不仅增强了系统的适应性，还优化了通信和网络处理过程，这对于跨不同设备和平台的分布式智能至关重要。因此，将SL和EI相结合可能会在未来网络中极大地促进协作智能的发展。本文介绍了EI和SL集成的文献综述的研究发现，总结了现有EI和SL研究的最新成果。随后，我们全面探讨了EI的局限性以及它如何从SL中受益。特别强调了这些系统中的通信挑战和网络策略等方面，并强调了优化网络解决方案在提高系统效能方面的作用。基于这些讨论，我们详细阐述了三个集成组件：社交化架构、社交化培训和社交化推理，分析它们的优缺点。最后，我们确定了将SL和EI相结合的一些可能的未来应用，讨论了开放性问题，并提出了一些未来的研究建议。

论文旨在解决边缘智能系统中的通信成本、资源分配、隐私和安全等问题，提出社交学习作为一种解决方案，以进一步推动边缘智能的发展。

社交学习是一种基于社交原则和行为的学习范式，旨在增强边缘智能系统中代理的协作能力和集体智能。通过社交学习，可以优化通信和网络过程，从而实现跨设备和平台的分布式智能。

论文对边缘智能和社交学习的研究现状进行了综述，并提出了社交化架构、社交化训练和社交化推理三个集成组件。实验设计详细，论文提出了一些未来应用的可能性和需要进一步研究的问题。

最近的相关研究包括：《边缘计算与智能系统：综述》、《基于边缘计算的机器学习：综述》、《边缘计算中的深度学习：综述》等。