論文の概要: A Survey on Over-the-Air Computation
- arxiv url: http://arxiv.org/abs/2210.11350v1
- Date: Thu, 20 Oct 2022 15:37:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 15:52:42.671916
- Title: A Survey on Over-the-Air Computation
- Title(参考訳): オーバー・ザ・エア計算に関する調査
- Authors: Alphan Sahin, Rui Yang
- Abstract要約: オーバー・ザ・エア・コンピューティング(OAC)は,通信タスクと計算タスクの分離によって実現可能な計算速度を大幅に向上させることができることを示す。
そこで我々は,無線通信路における信頼性の高い計算を実現するための機構と関連する指標について概説する。
- 参考スコア(独自算出の注目度): 13.878567119881483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Communication and computation are often viewed as separate tasks. This
approach is very effective from the perspective of engineering as isolated
optimizations can be performed. On the other hand, there are many cases where
the main interest is a function of the local information at the devices instead
of the local information itself. For such scenarios, information theoretical
results show that harnessing the interference in a multiple-access channel for
computation, i.e., over-the-air computation (OAC), can provide a significantly
higher achievable computation rate than the one with the separation of
communication and computation tasks. Besides, the gap between OAC and
separation in terms of computation rate increases with more participating
nodes. Given this motivation, in this study, we provide a comprehensive survey
on practical OAC methods. After outlining fundamentals related to OAC, we
discuss the available OAC schemes with their pros and cons. We then provide an
overview of the enabling mechanisms and relevant metrics to achieve reliable
computation in the wireless channel. Finally, we summarize the potential
applications of OAC and point out some future directions.
- Abstract(参考訳): コミュニケーションと計算はしばしば別のタスクと見なされる。
このアプローチは、分離された最適化を行うことができるため、エンジニアリングの観点から非常に効果的です。
一方で、ローカル情報そのものではなく、デバイスにおけるローカル情報の関数が主な関心事である場合が多い。
このようなシナリオでは、情報理論的な結果から、OAC(Over-the-air compute)と呼ばれるマルチアクセスチャネルでの干渉を利用して、通信と計算タスクの分離により達成可能な計算速度が大幅に向上することが示された。
さらに、OACと計算速度の分離のギャップは、より多くのノードが参加することで増大する。
この動機から,本研究では,OAC手法に関する総合的な調査を行う。
OACに関する基礎を概説した後、利用可能なOACスキームについて、その長所と短所について論じる。
次に、無線チャネルにおける信頼性の高い計算を実現するためのメカニズムと関連するメトリクスの概要を示す。
最後に、OACの潜在的な応用を要約し、今後の方向性を指摘する。
関連論文リスト
- Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
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。
論文 参考訳(メタデータ) (2022-07-03T06:57:07Z) - Over-the-Air Multi-Task Federated Learning Over MIMO Interference
Channel [17.362158131772127]
We study over-the-air multi-task FL (OA-MTFL) over the multiple-input multiple-output (MIMO) interference channel。
そこで本研究では,各デバイスに局所勾配をアライメントするモデルアグリゲーション手法を提案する。
新たなモデルアグリゲーション手法を用いることで,デバイス選択はもはや我々の計画に必須ではないことを示す。
論文 参考訳(メタデータ) (2021-12-27T10:42:04Z) - Collaborative Learning over Wireless Networks: An Introductory Overview [84.09366153693361]
主に、ワイヤレスデバイス間の協調トレーニングに焦点を合わせます。
過去数十年間、多くの分散最適化アルゴリズムが開発されてきた。
データ局所性 – すなわち、各参加デバイスで利用可能なデータがローカルのままである間、共同モデルを協調的にトレーニングすることができる。
論文 参考訳(メタデータ) (2021-12-07T20:15:39Z) - Guidelines for the Computational Testing of Machine Learning approaches
to Vehicle Routing Problems [3.3946853660795884]
我々は,機械学習コミュニティが提案するVRPのアプローチの計算的研究において生じる課題を強調した。
OR論文で示されたものの特徴を持つ計算研究が実現されることを願っている。
論文 参考訳(メタデータ) (2021-09-28T18:47:43Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳(メタデータ) (2021-02-12T09:33:00Z) - Split Computing for Complex Object Detectors: Challenges and Preliminary
Results [8.291242737118482]
大規模データセット(COCO 2017)でトレーニングされた強力なR-CNNオブジェクト検出器のための分割計算手法開発における課題について論じる。
単純な分割計算法では推論時間を短縮できないことを示す。
これは、そのような物体検出器に小さなボトルネックを注入し、スプリットコンピューティングアプローチの可能性を明らかにする最初の研究である。
論文 参考訳(メタデータ) (2020-07-27T05:03:37Z) - Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。
本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。
実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
論文 参考訳(メタデータ) (2020-07-21T07:02:07Z) - Can We Learn Heuristics For Graphical Model Inference Using
Reinforcement Learning? [114.24881214319048]
我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。
本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
論文 参考訳(メタデータ) (2020-04-27T19:24:04Z) - Differentiable Adaptive Computation Time for Visual Reasoning [4.7518908453572]
本稿では,DACTと呼ばれる適応計算を実現するための新しいアテンションベースアルゴリズムを提案する。
特に,広く知られているMACアーキテクチャへの応用について検討する。
CLEVRデータセットにおいて、使用するステップの最大数を増やすことで、最高の非適応MACであっても精度を上回ることを示す。
論文 参考訳(メタデータ) (2020-04-27T13:20:23Z) - Distributed Learning in the Non-Convex World: From Batch to Streaming
Data, and Beyond [73.03743482037378]
分散学習は、多くの人々が想定する、大規模に接続された世界の重要な方向となっている。
本稿では、スケーラブルな分散処理とリアルタイムデータ計算の4つの重要な要素について論じる。
実践的な問題や今後の研究についても論じる。
論文 参考訳(メタデータ) (2020-01-14T14:11:32Z)
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。