論文の概要: Bayes-Split-Edge: Bayesian Optimization for Constrained Collaborative Inference in Wireless Edge Systems

• arxiv url: http://arxiv.org/abs/2510.23503v1
• Date: Mon, 27 Oct 2025 16:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.622064
• Title: Bayes-Split-Edge: Bayesian Optimization for Constrained Collaborative Inference in Wireless Edge Systems
• Title（参考訳）: Bayes-Split-Edge: 無線エッジシステムにおける制約付き協調推論のためのベイズ最適化
• Authors: Fatemeh Zahra Safaeipour, Jacob Chakareski, Morteza Hashemi,
• Abstract要約: モバイルエッジデバイス(例えばAR/VRヘッドセット)は、通常、限られたオンボードコンピューティングとエネルギー資源で動作しながらタイムリーな推論タスクを完了する必要がある。 無線エッジネットワークにおける協調推論の問題について検討し,エネルギー制約のあるエッジデバイスが所定の期限内に推論タスクを完了することを目的とした。 無線ネットワーク上での協調分割推論にベイズ最適化を利用するベイズスプリットエッジ(Bayes-Split-Edge)という新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 6.623213848823563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile edge devices (e.g., AR/VR headsets) typically need to complete timely inference tasks while operating with limited on-board computing and energy resources. In this paper, we investigate the problem of collaborative inference in wireless edge networks, where energy-constrained edge devices aim to complete inference tasks within given deadlines. These tasks are carried out using neural networks, and the edge device seeks to optimize inference performance under energy and delay constraints. The inference process can be split between the edge device and an edge server, thereby achieving collaborative inference over wireless networks. We formulate an inference utility optimization problem subject to energy and delay constraints, and propose a novel solution called Bayes-Split-Edge, which leverages Bayesian optimization for collaborative split inference over wireless edge networks. Our solution jointly optimizes the transmission power and the neural network split point. The Bayes-Split-Edge framework incorporates a novel hybrid acquisition function that balances inference task utility, sample efficiency, and constraint violation penalties. We evaluate our approach using the VGG19 model on the ImageNet-Mini dataset, and Resnet101 on Tiny-ImageNet, and real-world mMobile wireless channel datasets. Numerical results demonstrate that Bayes-Split-Edge achieves up to 2.4x reduction in evaluation cost compared to standard Bayesian optimization and achieves near-linear convergence. It also outperforms several baselines, including CMA-ES, DIRECT, exhaustive search, and Proximal Policy Optimization (PPO), while matching exhaustive search performance under tight constraints. These results confirm that the proposed framework provides a sample-efficient solution requiring maximum 20 function evaluations and constraint-aware optimization for wireless split inference in edge computing systems.
• Abstract（参考訳）: モバイルエッジデバイス(例えばAR/VRヘッドセット)は、通常、オンボードコンピューティングとエネルギー資源に制限された操作をしながら、タイムリーな推論タスクを完了する必要がある。 本稿では,無線エッジネットワークにおける協調推論の問題について検討する。 これらのタスクはニューラルネットワークを使用して実行され、エッジデバイスはエネルギーおよび遅延制約下での推論性能を最適化する。 エッジ装置とエッジサーバとの間に推論処理を分割することができ、無線ネットワーク上で協調推論を実現する。 エネルギーおよび遅延制約を考慮した推論ユーティリティ最適化問題を定式化し,無線エッジネットワーク上での協調分割推論にベイズ最適化を利用するBayes-Split-Edgeと呼ばれる新しい解を提案する。 我々のソリューションは、送信電力とニューラルネットワークスプリットポイントを共同で最適化する。 Bayes-Split-Edgeフレームワークには、推論タスクユーティリティ、サンプル効率、制約違反の罰則のバランスをとる新しいハイブリッド取得機能が含まれている。 我々は、ImageNet-Miniデータセット上のVGG19モデル、Tiny-ImageNet上のResnet101、および実世界のmMobile無線チャネルデータセットを用いたアプローチを評価した。 その結果,ベイズ・スプリット・エッジは標準的なベイズ最適化に比べて最大2.4倍のコスト削減を実現し,ほぼ直線収束を達成できることがわかった。 また、CMA-ES、DIRECT、排他的検索、PPO(Proximal Policy Optimization)などいくつかのベースラインを上回り、厳密な制約下での排他的検索性能に適合する。 これらの結果は,エッジコンピューティングシステムにおける無線スプリット推論に対する最大20の関数評価と制約対応の最適化を必要とする,サンプル効率のよいソリューションが提案されていることを確認した。

関連論文リスト

• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• SpikeBottleNet: Spike-Driven Feature Compression Architecture for Edge-Cloud Co-Inference [0.86325068644655]
  エッジクラウドコ推論システムのための新しいアーキテクチャであるSpikeBottleNetを提案する。 SpikeBottleNetはスパイクニューロンモデルを統合し、エッジデバイスのエネルギー消費を大幅に削減する。
  論文  参考訳（メタデータ） (2024-10-11T09:59:21Z)
• Hierarchical Federated Learning in Wireless Networks: Pruning Tackles Bandwidth Scarcity and System Heterogeneity [32.321021292376315]
  我々はヘテロジニアスネットワーク(HetNets)におけるプルーニング可能な階層型フェデレーションラーニング(PHFL)を提案する。 まず、モデルプルーニングと無線通信の影響を明確に示す収束率の上限を導出する。 提案するPHFLアルゴリズムの有効性を,テスト精度,壁面時計時間,エネルギー消費,帯域幅要件の観点から検証した。
  論文  参考訳（メタデータ） (2023-08-03T07:03:33Z)
• Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
  Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。 本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。 提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
  論文  参考訳（メタデータ） (2023-05-15T22:04:49Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• 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)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Joint Device-Edge Inference over Wireless Links with Pruning [20.45405359815043]
  無線ネットワークエッジにおける効率的な推論のための共同特徴圧縮と伝送方式を提案する。 これはDeepJSCCとネットワークプルーニングを組み合わせた最初の作品であり、無線エッジ上の画像分類に応用されている。
  論文  参考訳（メタデータ） (2020-03-04T12:06:11Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。