设计具有马尔科夫毯的可重构智能系统
我们提出了一个协同边缘智能的框架,使各个边缘设备能够发展对如何执行其性能目标的因果理解,并将知识传递以加快异构设备的入门进程,从而增加性能目标的范围。通过合作,它们提高了性能目标的实现范围。在保证视频流媒体期间的服务质量和用户体验质量方面,我们实施了该框架并评估了一个使用案例。我们的结果显示,边缘设备仅需进行十轮训练即可确保四个性能目标;此外,底层因果结构也具有合理的可解释性。即使设备类型未知,也可以后续添加新类型的设备,该框架允许它们重复使用现有模型。最后,通过在设备集群内重新平衡负载,个别边缘设备能够将其在网络故障后的性能目标符合度从 22% 恢复到 89%。
Nov, 2023
本研究融合可重构智能表面技术,通过优化设备选择、空中计算设计和表面配置,解决了基于空中计算的联邦学习存在的瓶颈问题,取得了显著的学习准确度提升。
Nov, 2020
提出了一种基于 Deep Neural Network(DNN)模型的 IoT 设备与边缘协同计算框架,通过多分支结构、智能早停、硬件中间分割与整数量化等技术实现了优秀的通信负载和执行精度平衡,结合基于 Soft Actor Critic(SAC-d)的深度强化学习优化算法实现了动态无线通道和任意 CPU 处理下的适应性支持,并在树莓派 4 和 PC 上进行了实验。
Jan, 2022
本文提出了一种新的框架 Configurable Markov Decision Processes (Conf-MDPs),以建立环境参数配置与学习代理之间的交互模型,并通过 Safe Policy-Model Iteration (SPMI) 算法,共同自适应优化策略与环境配置,实验结果表明该方法对提高学习策略的性能有益。
Jun, 2018
本文研究了工业物联网网络中协作深度神经网络推理问题,提出了一种基于深度强化学习的算法,将动态配置物联网设备的采样率、推理任务卸载和边缘计算资源分配共同考虑,通过转化为马尔可夫决策过程来最小化服务延迟并保证准确性。
Dec, 2022
本文探讨了一种使用机器学习找到最优配置并将搜索空间限制在这些配置中的方法,以应对系统运行期间不一致性的挑战,并在机器人任务中进行了实验。
Mar, 2019
本文提出了一种基于可重构智能表面 (RIS) 的移动边缘计算 (MEC) 结合人工智能 (AI) 和机器学习 (ML) 的架构,在最大化学习性能的前提下,通过联合优化移动用户的传输功率、基站的波束成形向量和 RIS 的相移矩阵,以最小化参与用户的最大学习误差。仿真结果证明了部署 RIS 和采用本文算法相比各种基准算法均能显著提高性能,并且在基于 CARLA 平台和 SECOND 网络构建的统一通信 - 训练 - 推理平台上演示了应用于自动驾驶中的三维物体检测的案例。
Dec, 2020
通过使用多个模型,我们提出了一种用于管理与机器学习模型相关的运行时不确定性的机器学习模型平衡器的概念,并引入了 AdaMLS,一种新颖的自适应方法,它利用这个概念并扩展了传统的 MAPE-K 循环以实现连续的机器学习系统自适应。AdaMLS 通过使用轻量级无监督学习进行动态模型切换,从而确保了一致的服务质量。通过一个自适应目标检测系统原型,我们展示了 AdaMLS 在平衡系统和模型性能方面的有效性。初步结果表明,AdaMLS 在服务质量保证方面超过了天真方法和单一最先进的模型,标志着在动态环境中实现自适应机器学习系统的优化服务质量的进展。
Aug, 2023
文章介绍了一种基于超信道叠加和可重构智能表面的、通信高效的联邦机器学习框架,用于智能物联网网络的无线计算,以减少模型聚合期间的通信瓶颈和误差。
Apr, 2020
我们研究了一种具有多步非线性切换成本和反馈延迟的挑战性平滑在线凸优化(SOCO)形式,提出了一种新颖的机器学习(ML)增强的在线算法,名为 Robustness-Constrained Learning(RCL),它通过受限投影将不受信任的 ML 预测与可信的专家在线算法结合起来,以增强 ML 预测的鲁棒性。具体而言,我们证明了 RCL 能够对于任何给定的专家保证(1+λ)竞争力,其中 λ>0,同时以鲁棒性感知的方式明确地训练 ML 模型以提高平均性能。重要的是,RCL 是第一个在多步切换成本和反馈延迟情况下具有可证明的鲁棒性保证的 ML 增强算法。我们以电动交通的电池管理为案例研究,展示了 RCL 在鲁棒性和平均性能方面的改进。
Oct, 2023