論文の概要: Task-oriented Over-the-air Computation for Edge-device Co-inference with Balanced Classification Accuracy
- arxiv url: http://arxiv.org/abs/2407.00955v1
- Date: Mon, 1 Jul 2024 04:17:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 00:46:07.627809
- Title: Task-oriented Over-the-air Computation for Edge-device Co-inference with Balanced Classification Accuracy
- Title（参考訳）: 平衡分類精度を持つエッジデバイス共振器のタスク指向オーバー・ザ・エア計算
- Authors: Xiang Jiao, Dingzhu Wen, Guangxu Zhu, Wei Jiang, Wu Luo, Yuanming Shi,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 32.48617448956706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Edge-device co-inference, which concerns the cooperation between edge devices and an edge server for completing inference tasks over wireless networks, has been a promising technique for enabling various kinds of intelligent services at the network edge, e.g., auto-driving. In this paradigm, the concerned design objective of the network shifts from the traditional communication throughput to the effective and efficient execution of the inference task underpinned by the network, measured by, e.g., the inference accuracy and latency. In this paper, a task-oriented over-the-air computation scheme is proposed for a multidevice artificial intelligence system. Particularly, a novel tractable inference accuracy metric is proposed for classification tasks, which is called minimum pair-wise discriminant gain. Unlike prior work measuring the average of all class pairs in feature space, it measures the minimum distance of all class pairs. By maximizing the minimum pair-wise discriminant gain instead of its average counterpart, any pair of classes can be better separated in the feature space, and thus leading to a balanced and improved inference accuracy for all classes. Besides, this paper jointly optimizes the minimum discriminant gain of all feature elements instead of separately maximizing that of each element in the existing designs. As a result, the transmit power can be adaptively allocated to the feature elements according to their different contributions to the inference accuracy, opening an extra degree of freedom to improve inference performance. Extensive experiments are conducted using a concrete use case of human motion recognition to verify the superiority of the proposed design over the benchmarking scheme.
- Abstract（参考訳）: エッジデバイスコ推論は、エッジデバイスとエッジサーバの協力により、無線ネットワーク上での推論タスクを完了させる。
このパラダイムでは、ネットワークの設計目的が従来の通信スループットから、ネットワークによって支えられている推論タスクの効率的かつ効率的な実行へと移行し、例えば、推測精度と遅延を計測する。
本稿では,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。
特に、最小対判別利得(minimum-wise discriminant gain)と呼ばれる分類タスクに対して、新しい抽出可能な推論精度測定法が提案されている。
特徴空間における全てのクラス対の平均を測定する以前の作業とは異なり、すべてのクラス対の最小距離を測定する。
平均値よりも最小対判別利得を最大化することにより、任意のクラスが特徴空間内でよりよく分離され、全てのクラスに対してバランスが取れ、推論精度が向上する。
さらに,既存設計における各要素の最大化を個別に行うのではなく,各特徴要素の最小判別ゲインを共同で最適化する。
その結果、送信電力は、推論精度に対する異なる貢献に応じて特徴要素に適応的に割り当てることができ、推論性能を向上させるために、余分な自由度を開くことができる。
人体動作認識の具体的使用例を用いて大規模な実験を行い、ベンチマーク方式よりも提案した設計の優位性を検証した。
関連論文リスト
- Hyperspherical Classification with Dynamic Label-to-Prototype Assignment [5.978350039412277]
トレーニング中に各プロトタイプに割り当てられたカテゴリを最適化する,シンプルで効果的な手法を提案する。
この最適化は、勾配降下とバイパルチドマッチングの逐次組み合わせを用いて解決する。
CIFAR-100では1.22%の精度で、ImageNet-200では2.15%の精度で競合他社よりも優れています。
論文 参考訳（メタデータ） (2024-03-25T17:01:34Z) - 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) - 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) - Uni-Perceiver: Pre-training Unified Architecture for Generic Perception
for Zero-shot and Few-shot Tasks [73.63892022944198]
我々はUni-Perceiverという汎用認識アーキテクチャを提案する。
様々なモダリティやタスクを、統一されたモデリングと共有パラメータで処理します。
その結果、チューニングなしで事前学習したモデルは、新しいタスクでも合理的なパフォーマンスを達成できることがわかった。
論文 参考訳（メタデータ） (2021-12-02T18:59:50Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳（メタデータ） (2021-10-12T22:04:19Z) - 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) - Multi-task Federated Edge Learning (MtFEEL) in Wireless Networks [1.9250873974729816]
フェデレートラーニング(FL)は、エッジデバイス間の分散機械学習を扱うための有望な技術として進化してきた。
保証付き無線環境でのパーソナライズドラーニングのための通信効率の良いFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-05T10:54:38Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳（メタデータ） (2021-02-22T06:19:45Z) - ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image
Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。
本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。
4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文 参考訳（メタデータ） (2020-06-27T13:50:20Z)
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。