Jul, 2024

面向任务的边缘设备协同推测中的无线计算

PDF
TL;DR提出了一种任务导向的多设备人工智能系统的空中计算方案，其中包括边缘设备合作与边缘服务器完成无线网络上的推理任务，通过最小配对判别增益测量推理准确性，同时优化特征元素的最小判别增益和传输功率分配以提升推理性能。
edge-device co-inferencewireless networksinference accuracyminimum pair-wise discriminant gaintransmit power allocation
发现论文，激发创造
  • 面向任务的多设备边缘 AI 无线计算

    本文提出了一种针对多设备分裂推理系统的任务导向的空中计算（AirComp）方案，旨在最大限度地减少聚合误差并最大化推理准确性。

    Nov, 2022

  • 通过无线计算进行联邦学习

    提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

    Dec, 2018

  • 如何协调边缘设备进行空中联邦学习？

    本研究旨在探究无线网络中的设备协调问题对于 OTA-FL 的影响，通过研究最优方案的特性，提出了一种低复杂度算法以逼近最优方案。

    Nov, 2022

  • 云边协同 AI 推理

    该论文提出了一种基于云无线接入网络（Cloud-RAN）的协作边缘人工智能推理体系结构，通过在远程无线电头（RRH）聚合噪声局部特征向量来提高推理准确性，并通过联合传输预编码、接收波束成形和量化误差控制方案来解决无线通道干扰、传输量化误差等挑战。

    Apr, 2024

  • 面向任务通信的多设备合作边缘推断

    本文提出了一种基于任务导向的通信方案以减少多设备合作边缘推理中的通信开销与延迟，并通过信息瓶颈原理提取与任务相关的特征并采用分布式信息瓶颈框架来对分散的特征进行编码。通过对多个设备传输的信息进行冗余性分析并采用可变近似来解决计算的复杂性问题，该方案比基线方法更好地平衡了传输效率与推理能力的关系。

    Sep, 2021

  • 无线异构条件下的偏倚空中联邦学习

    近期，无线通道超插值特性在 Over-the-Air（OTA）计算中被应用于快速模型更新的有前景的联邦学习（FL）范式。本文针对 OTA-FL 收敛进行了 OTA 设备预缩放器的设计研究，并通过数值评估表明，最小化 FL 更新的方差并允许一定偏差的 OTA 设备预缩放器可以带来显著的收益。

    Mar, 2024

  • 边缘智能空中操作：联邦学习中干扰的两面

    该论文综述了使用模拟空中计算技术进行联邦边缘学习系统的正负影响和潜在问题。空中计算技术在快速聚合中间参数和实现（几乎）无限可扩展性方面具有优势，但无线通信引入的干扰也会影响模型训练过程的各个方面，同时其重要性尚未得到很好的认识。

    Jun, 2023

  • 平衡数字上的无线计算

    本文提出了一种数字化无线计算方案，使用均衡数系统中相应数字的平均值来近似计算一组实数参数的平均值，并使用该方案将本地梯度编码为一组数字，以确定活动的正交频分复用子载波的位置，同时不需要精确的采样级时间同步、信道估计开销和功率不稳定性，并演示其在联邦边缘学习（FEEL）中的性能。

    Sep, 2022

  • 多服务器无线联邦学习

    本文提出了一种基于聚类的两层联邦学习算法，使用可扩展的聚类无线聚合方案实现算法的上行传输，使用适用于带宽受限的广播方案进行下行传输，展示了在干扰环境下该方法的高精度学习表现并导出该方法的收敛界。

    Nov, 2022

  • 基于无线网络的空中计算联合学习

    提出了一种不需要复杂编码 - 解码方案来重建信道系数，从而提高多智能体系统中联合学习的效率和隐私保护的方法。

    May, 2023