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

• Task-oriented Over-the-air Computation for Edge-device Co-inference with Balanced Classification Accuracy [32.48617448956706]
  マルチデバイス人工知能システムにおいて,タスク指向のオーバー・ザ・エア計算方式を提案する。 最小対判別利得(minimum-wise discriminant gain)と呼ばれる,新しい抽出可能な推論精度測定法を提案する。 本稿では, 既存設計における各要素の最小値ゲインを個別に最大化する代わりに, 特徴要素の最小値ゲインを最適化する。
  論文  参考訳（メタデータ） (2024-07-01T04:17:32Z)
• Collaborative Edge AI Inference over Cloud-RAN [37.3710464868215]
  クラウド無線アクセスネットワーク(Cloud-RAN)ベースの協調エッジAI推論アーキテクチャを提案する。 具体的には、地理的に分散したデバイスが、リアルタイムのノイズ破壊センサデータサンプルをキャプチャし、ノイズの多い局所特徴ベクトルを抽出する。 我々は,各RRHが同一リソースブロック上の全デバイスから局所的特徴ベクトルを同時に受信することを可能にする。 これらの集約された特徴ベクトルは量子化され、さらに集約および下流推論タスクのために中央プロセッサに送信される。
  論文  参考訳（メタデータ） (2024-04-09T04:26:16Z)
• Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
  本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。 コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。 また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
  論文  参考訳（メタデータ） (2024-02-20T23:59:45Z)
• 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)
• 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)
• 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。