論文の概要: Task-Oriented Over-the-Air Computation for Multi-Device Edge AI
- arxiv url: http://arxiv.org/abs/2211.01255v1
- Date: Wed, 2 Nov 2022 16:35:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 13:01:15.415246
- Title: Task-Oriented Over-the-Air Computation 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オーバー・ザ・エア計算
- Authors: Dingzhu Wen, Xiang Jiao, Peixi Liu, Guangxu Zhu, Yuanming Shi, and
Kaibin Huang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 57.50247872182593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Departing from the classic paradigm of data-centric designs, the 6G networks
for supporting edge AI features task-oriented techniques that focus on
effective and efficient execution of AI task. Targeting end-to-end system
performance, such techniques are sophisticated as they aim to seamlessly
integrate sensing (data acquisition), communication (data transmission), and
computation (data processing). Aligned with the paradigm shift, a task-oriented
over-the-air computation (AirComp) scheme is proposed in this paper for
multi-device split-inference system. In the considered system, local feature
vectors, which are extracted from the real-time noisy sensory data on devices,
are aggregated over-the-air by exploiting the waveform superposition in a
multiuser channel. Then the aggregated features as received at a server are fed
into an inference model with the result used for decision making or control of
actuators. To design inference-oriented AirComp, the transmit precoders at edge
devices and receive beamforming at edge server are jointly optimized to rein in
the aggregation error and maximize the inference accuracy. The problem is made
tractable by measuring the inference accuracy using a surrogate metric called
discriminant gain, which measures the discernibility of two object classes in
the application of object/event classification. It is discovered that the
conventional AirComp beamforming design for minimizing the mean square error in
generic AirComp with respect to the noiseless case may not lead to the optimal
classification accuracy. The reason is due to the overlooking of the fact that
feature dimensions have different sensitivity towards aggregation errors and
are thus of different importance levels for classification. This issue is
addressed in this work via a new task-oriented AirComp scheme designed by
directly maximizing the derived discriminant gain.
- Abstract（参考訳）: データ中心設計の古典的なパラダイムを離れて、エッジaiをサポートする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フォーカスしたタスク指向の技術を備えている。
エンド・ツー・エンドのシステム性能を対象とし、センシング(データ取得)、通信(データ伝送)、計算(データ処理)をシームレスに統合することを目的とした技術である。
本稿では,マルチデバイススプリット推論システムにおいて,タスク指向のオーバー・ザ・エア計算(AirComp)方式を提案する。
検討したシステムでは、マルチユーザチャネルにおける波形重ね合わせを利用して、デバイス上のリアルタイムノイズセンシングデータから抽出した局所特徴ベクトルを空中集約する。
そして、サーバで受信した集約された特徴を推論モデルに入力し、その結果をアクチュエータの意思決定や制御に用いる。
推論指向エアコンを設計するために、エッジ装置の送信プリコーダとエッジサーバの受信ビームフォーミングを共同で最適化し、アグリゲーションエラーを抑制し、推論精度を最大化する。
この問題は、オブジェクト/イベント分類の適用における2つのオブジェクトクラスの識別可能性を測定する判別ゲイン(discriminant gain)と呼ばれるサーロゲートメトリックを用いて推論精度を測定することで解決可能である。
その結果,無騒音の場合の平均二乗誤差を最小化する従来のエアコンビームフォーミング設計では,最適分類精度が得られないことが判明した。
理由は、特徴次元がアグリゲーションエラーに対して異なる感度を持ち、したがって分類の重要度が異なるという事実を見落としているためである。
この問題は、派生した識別利得を直接最大化して設計された新しいタスク指向のAirCompスキームによって解決される。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - 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) - Scalable Hierarchical Over-the-Air Federated Learning [3.8798345704175534]
この研究は、干渉とデバイスデータの不均一性の両方を扱うために設計された新しい2段階学習手法を導入する。
本稿では,提案アルゴリズムの収束を導出するための包括的数学的アプローチを提案する。
干渉とデータの不均一性にもかかわらず、提案アルゴリズムは様々なパラメータに対して高い学習精度を実現する。
論文 参考訳（メタデータ） (2022-11-29T12:46:37Z) - 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) - 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) - Edge Federated Learning Via Unit-Modulus Over-The-Air Computation
(Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。
ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。
車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文 参考訳（メタデータ） (2021-01-28T15:10:22Z) - 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。