面向学习与高能效边缘智能的数据划分与速率控制
信息论
2021-07-20 v1 math.IT
摘要
人工智能的快速发展以及先进边缘服务器的强大计算能力，使得在网络边缘部署学习任务成为可能，这被称为边缘智能（EI）。数据资源与服务器之间的通信瓶颈导致学习性能下降以及巨大的能量消耗。为应对这一挑战，我们探索了一种称为学习与高能效（LEE）EI的新范式，其通过数据划分与速率控制同时最大化多个任务的学习精度与能量效率。在数学上，这导致了一个多目标优化问题。此外，整个传输时长内连续变化的速率引入了无穷多个变量。为解决这一复杂问题，我们考虑了服务器缓冲容量无限且传感器数据单次到达的情况。首先，通过利用每个时隙内恒速传输的最优性，将变量数量降至有限水平。其次，通过分层排序或目标合并求得最优解。在分层排序中假设学习效率具有更高优先级，利用拉格朗日法推导出了最优数据划分的闭式解，并证明了最优速率控制具有定向注水（DWF）的结构，基于此提出了一种拉绳（SP）算法以获得数值解。速率控制的DWF结构也被证明在通过加权求和进行目标合并时是最优的。通过利用最优速率变化特性，SP算法被进一步扩展以处理服务器缓冲容量有限或传感器突发数据到达的情况。所提设计的性能通过基于公开数据集的大量实验进行了检验。
引用
@article{arxiv.2107.08884,
title = {Data Partition and Rate Control for Learning and Energy Efficient Edge Intelligence},
author = {Xiaoyang Li and Shuai Wang and Guangxu Zhu and Ziqin Zhou and Kaibin Huang and Yi Gong},
journal= {arXiv preprint arXiv:2107.08884},
year = {2021}
}