面向高丢包物联网环境下抗丢包分布式推理的通信导向模型微调
机器学习
2021-12-20 v1 网络与互联网体系结构
摘要
分布式推理（DI）框架作为一种由资源受限物联网（IoT）设备上前沿深度机器学习（ML）赋能的实时应用技术已受到关注。在 DI 中，计算任务经高丢包 IoT 网络从 IoT 设备卸载至边缘服务器。然而，通常在通信系统层面存在通信时延与可靠性之间的权衡；因此，为提供准确的 DI 结果，需采用可靠但高时延的通信系统，这导致 DI 端到端时延不可忽略。这促使我们通过 ML 技术方面的努力来改善通信时延与准确性之间的权衡。具体而言，我们提出了一种通信导向的模型调优（COMtune），旨在以低时延但不可靠的通信链路实现高准确度的 DI。在 COMtune 中，核心思想是通过应用 dropout 技术模拟不可靠通信链路的影响来对 ML 模型进行微调，使 DI 系统获得针对不可靠通信链路的鲁棒性。我们的 ML 实验表明，COMtune 能够在低时延且丢包网络下实现准确预测。
引用
@article{arxiv.2112.09407,
title = {Communication-oriented Model Fine-tuning for Packet-loss Resilient Distributed Inference under Highly Lossy IoT Networks},
author = {Sohei Itahara and Takayuki Nishio and Yusuke Koda and Koji Yamamoto},
journal= {arXiv preprint arXiv:2112.09407},
year = {2021}
}
备注
Submitted to IEEE Access