AdaEvo：面向移动设备的边缘辅助连续及时 DNN 模型演化
分布式、并行与集群计算
2023-10-26 v2
摘要
当今移动视频应用已引起显著关注。深度学习模型（如深度神经网络，DNN）压缩被广泛用于实现设备端推理，以促进鲁棒且私密的移动视频应用。然而，压缩后的 DNN 易受动态变化移动场景所采集实时视频中未知数据漂移的影响。为应对数据漂移，移动端依赖边缘服务器利用新收集的数据持续演化并重新压缩 DNN。我们设计了一个框架 AdaEvo，高效支持资源受限的边缘服务器处理来自多个移动端的移动 DNN 演化任务。AdaEvo 的关键目标是最大化所有移动端的平均体验质量（QoE），例如高质量 DNN 服务时间占整个生命周期的比例。具体而言，它在无标签情况下估计移动端的 DNN 精度下降，并执行专用的视频帧采样策略以控制重训练数据规模。此外，它平衡了边缘服务器上有限的计算与内存资源，以及不同移动用户发起的异步任务间的竞争。通过对来自移动场景的真实世界视频及跨四种不同移动任务的广泛评估，实验结果表明 AdaEvo 实现了最高 34% 的精度提升与 32% 的平均 QoE 提升。
引用
@article{arxiv.2309.15500,
title = {AdaEvo: Edge-Assisted Continuous and Timely DNN Model Evolution for Mobile Devices},
author = {Lehao Wang and Zhiwen Yu and Haoyi Yu and Sicong Liu and Yaxiong Xie and Bin Guo and Yunxin Liu},
journal= {arXiv preprint arXiv:2309.15500},
year = {2023}
}
备注
Accepted by IEEE Transactions on Mobile Computing 2023