論文の概要: Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI
- arxiv url: http://arxiv.org/abs/2207.00969v1
- Date: Sun, 3 Jul 2022 06:57:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 16:46:33.632508
- Title: Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI
- Title(参考訳): マルチデバイスエッジAIのためのタスク指向センシング,計算,通信統合
- Authors: Dingzhu Wen, Peixi Liu, Guangxu Zhu, Yuanming Shi, Jie Xu, Yonina C.
Eldar, and Shuguang Cui
- Abstract要約: 本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
- 参考スコア(独自算出の注目度): 108.08079323459822
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies a new multi-device edge artificial-intelligent (AI)
system, which jointly exploits the AI model split inference and integrated
sensing and communication (ISAC) to enable low-latency intelligent services at
the network edge. In this system, multiple ISAC devices perform radar sensing
to obtain multi-view data, and then offload the quantized version of extracted
features to a centralized edge server, which conducts model inference based on
the cascaded feature vectors. Under this setup and by considering
classification tasks, we measure the inference accuracy by adopting an
approximate but tractable metric, namely discriminant gain, which is defined as
the distance of two classes in the Euclidean feature space under normalized
covariance. To maximize the discriminant gain, we first quantify the influence
of the sensing, computation, and communication processes on it with a derived
closed-form expression. Then, an end-to-end task-oriented resource management
approach is developed by integrating the three processes into a joint design.
This integrated sensing, computation, and communication (ISCC) design approach,
however, leads to a challenging non-convex optimization problem, due to the
complicated form of discriminant gain and the device heterogeneity in terms of
channel gain, quantization level, and generated feature subsets. Remarkably,
the considered non-convex problem can be optimally solved based on the
sum-of-ratios method. This gives the optimal ISCC scheme, that jointly
determines the transmit power and time allocation at multiple devices for
sensing and communication, as well as their quantization bits allocation for
computation distortion control. By using human motions recognition as a
concrete AI inference task, extensive experiments are conducted to verify the
performance of our derived optimal ISCC scheme.
- Abstract(参考訳): 本稿では,ネットワークエッジにおける低レイテンシなインテリジェントサービスを実現するために,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,マルチデバイスエッジ人工知能(AI)システムについて検討する。
本システムでは、複数のISACデバイスがレーダセンシングを行い、マルチビューデータを取得し、抽出した特徴の定量化バージョンを集中エッジサーバにオフロードし、カスケードされた特徴ベクトルに基づいてモデル推論を行う。
この設定と分類タスクを考慮することで、正規化共分散の下でユークリッド特徴空間内の2つのクラスの距離として定義される判別利得という近似的だがトラクタブルな計量を採用することにより、推論精度を測定する。
識別利得を最大化するため,我々はまず,それに対するセンシング,計算,通信プロセスの影響を,導出したクローズドフォーム式で定量化する。
そして、3つのプロセスを共同設計に統合することで、エンドツーエンドのタスク指向リソース管理手法を開発する。
しかし、この統合されたセンシング、計算、通信(ISCC)設計アプローチは、チャネルゲイン、量子化レベル、および生成された特徴部分集合の複雑な形態の識別利得とデバイスの不均一性のために、非凸最適化の問題を引き起こす。
顕著なことに、非凸問題の解法は比例法に基づいて最適に解ける。
これにより、センシングと通信のための複数のデバイスにおける送信電力と時間割当を共同で決定する最適なisccスキームと、計算歪制御のための量子化ビット割当てが与えられる。
人間の運動認識を具体的ai推論タスクとして利用することにより,提案手法の性能を検証するための広範囲な実験を行った。
関連論文リスト
- Q-SHED: Distributed Optimization at the Edge via Hessian Eigenvectors
Quantization [5.404315085380945]
ニュートン型(NT)法は、DO問題における堅牢な収束率の実現要因として提唱されている。
インクリメンタルなヘッセン固有ベクトル量子化に基づく新しいビット割り当て方式を特徴とする、DOのための元のNTアルゴリズムであるQ-SHEDを提案する。
Q-SHEDはコンバージェンスに必要な通信ラウンド数を最大60%削減できることを示す。
論文 参考訳(メタデータ) (2023-05-18T10:15:03Z) - Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。
本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
論文 参考訳(メタデータ) (2022-11-02T16:35:14Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳(メタデータ) (2022-11-01T14:16:05Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - Task-Oriented Communication for Multi-Device Cooperative Edge Inference [14.249444124834719]
協調エッジ推論は、単一デバイスの限られた感知能力を克服することができるが、通信オーバーヘッドを大幅に増加させ、過度の遅延を引き起こす可能性がある。
タスク指向方式で局所特徴抽出と分散特徴符号化を最適化する学習型通信方式を提案する。
論文 参考訳(メタデータ) (2021-09-01T03:56:20Z) - Communication-Computation Efficient Device-Edge Co-Inference via AutoML [4.06604174802643]
デバイスエッジのコ推論は、リソース制約のあるモバイルデバイスとエッジサーバの間のディープニューラルネットワークを分割する。
オンデバイスモデルスパーシリティレベルと中間特徴圧縮比は、ワークロードと通信オーバーヘッドに直接的な影響を与える。
深部強化学習(DRL)に基づく新しい自動機械学習(AutoML)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-30T06:36:30Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。