边缘推理中信道诱导性能退化的 PAC-Bayesian 分析
信息论
2026-05-08 v3 机器学习
math.IT
摘要
在新兴的边缘学习范式中，神经网络（NNs）被划分到分布式边缘设备上，通过无线传输协作执行推理。然而，在无线信道上部署 NNs 进行边缘推理不可避免地会导致性能退化，因为推理阶段的精确信道实现（channel realizations）在训练阶段是未知的。在本文中，我们建立了一个理论框架来评估并界定这种性能退化。受统计学习理论启发，我们定义了一个无线泛化误差，以刻画训练期间的经验性能与真实随机信道下预期推理性能之间的差距。为了实现理论分析，我们引入了一个增强型 NN 模型，将信道统计信息直接纳入权重空间。利用 PAC-Bayesian 框架，我们推导了该误差的高概率界，为无线推理性能提供了理论保证。此外，我们提出了一种信道感知训练算法，该算法基于推导的界最小化一个易于处理的代理目标。仿真表明，所提出的算法在各种信道条件下有效提升了无线推理性能和模型鲁棒性。
引用
@article{arxiv.2601.10915,
title = {A PAC-Bayesian Analysis of Channel-Induced Degradation in Edge Inference},
author = {Yangshuo He and Guanding Yu and Jingge Zhu},
journal= {arXiv preprint arXiv:2601.10915},
year = {2026}
}