Mar, 2022

一种用于无线物联网中带宽高效分布式推理的学习框架

PDF
TL;DR本文提出一种基于深度学习的机器消耗数据压缩和量化框架，以最大化在融合中心推导出的全局决策的准确性为目标，并提出以感测目标为设计基础的数据压缩机制和熵量化器方法，相较于其他基准模型在性能上有较大提升。
wireless internet of thingsdata compressionentropy quantizersdeep learningsensing goal
发现论文，激发创造
  • 分布式和自适应速率特征压缩

    我们研究了分布式和自适应速率的特征压缩问题，通过传感器收集线性回归模型的不同特征，设计了一种特征压缩方案以适应不断变化的通信约束，并通过模拟实验证明了该方案的有效性。

    Apr, 2024

  • 神经图像压缩的带宽有效推理

    我们提出了一种端到端可微分的带宽高效神经推理方法，通过神经数据压缩方法对激活进行压缩，可实现高达 19 倍的带宽减少和 6.21 倍的能量节省。

    Sep, 2023

  • 使用压缩 - 评论框架压缩深度感知系统的深度神经网络结构

    DeepIoT 是一种压缩神经网络的解决方案，它通过找到每个层所需的最小数量的非冗余隐藏元素，将神经网络结构压缩成更小的密集矩阵，同时保持感知应用程序的性能。在 Intel Edison 设备上的五个不同的感知相关任务中进行实验，DeepIoT 在执行时间和能源消耗方面优于所有比较的基线算法，而不会损失准确性。

    Jun, 2017

  • 工业物联网中可靠的被动无线感知的压缩贝叶斯联邦学习

    采用通信高效的去中心化贝叶斯联邦学习策略，通过集成压缩策略和允许设备在发送本地后验分布之前执行多个优化步骤，以减少通信开销而不牺牲学习准确性和校准，得到与传统（未压缩）贝叶斯联邦学习工具相兼容且高度准确且良好校准的机器学习模型的工业物联网应用实例结果表明，该方法在校准方面具有优势，特别是在测试数据集的统计分布发生变化时。

    May, 2024

  • 物联网作为深度神经网络

    本文研究了如何通过深度神经网络的测量压缩和推理，实现 IoT 数据通信的有效率，并在实验中取得了 96% 的数据传输量节省和 2.5% 推理准确度下降的成果。

    Mar, 2020

  • EfficientFi：通过 CSI 压缩实现大规模轻量级 WiFi 感知

    本文提出了一种新的大规模 WiFi 感应框架，名为 EfficientFi，通过边缘计算和云计算结合的方式，可以高效地压缩和还原 WiFi 信道信息，实现了准确的无设备人体活动感应，并在智能家居应用中实现了大范围的 WiFi 感应。

    Apr, 2022

  • 高失真率压缩辅助联邦学习的资源分配

    提出基于压缩辅助的联邦学习问题，通过将其分解为子问题并基于协作博弈来有效分配无线资源，从而优化了 IoT 设备和服务器之间的通信，通过积极控制参与学习的设备数量，既可避免训练发散又能保持通信效率。

    Jun, 2022

  • 面向云边协同推断的神经网络自动调谐量化框架

    本论文阐述了在深度神经网络方面的云端和边缘协作推断在量化方面的优势，提出了一种基于自动调谐的神经网络量化框架，利用 ImageNet 数据集进行了混合精度合作推理的有效性研究，实验结果显示，该框架可以生成合理的网络分割，并减小移动设备上的存储消耗，同时能够保持较高的准确率。

    Dec, 2018

  • 基于压缩感知的图像压缩：端到端与 JPEG 的比较

    基于压缩感知的端到端图像压缩系统，结合传统压缩采样重建、量化和熵编码，可与 JPEG 相媲美，在低码率下表现显著优越。通过研究影响系统性能的参数，我们提出了一种有效的方法来联合控制量化步长和压缩比，以实现在任何给定比特率下达到接近最优的质量。此外，我们的压缩系统可直接用于压缩感知相机，例如单像素相机，构建一种硬件压缩采样系统。

    Jun, 2017

  • OrcoDCS：一种物联网边缘编排的在线深度压缩感知框架

    提出了一种名为 OrcoDCS 的物联网边缘协调在线深度压缩感知框架，通过利用特别设计的非对称自编码器，降低编码开销、提高重构性能和鲁棒性，实现了对不同物联网设备组和其感知任务的高度灵活性和适应性，同时在训练时间上优于现有的压缩数据聚合方法并为后续应用提供更高性能。

    Aug, 2023