基于低秩优化的无线分布式计算中的数据混洗
信息论
2019-05-22 v1 math.IT
摘要
智能移动平台如智能车辆和无人机近来成为关注焦点，其机载部署机器学习机制以实现低延迟决策并降低隐私泄露风险。然而，大多数此类机器学习算法既计算密集又存储密集，这使得在单一计算、存储和能量资源受限的设备上实现所需计算极为困难。无线分布式计算通过汇聚设备间的计算与存储资源带来了新机遇。对于低延迟应用，关键瓶颈在于移动设备间为数据混洗而交换中间结果。为提高通信效率，我们提出一种同信道通信模型，并利用本地计算的中间值作为边信息来设计收发机。通过建立数据混洗的干扰对齐条件，提出一种低秩优化模型以最大化所实现的自由度（DoF）。遗憾的是，由于所构造低秩优化问题中结构较差，现有逼近秩函数的方法未能取得满意性能。本文中，我们通过为秩函数提出一种新的 DC 表示，开发了高效的 DC 算法来求解该低秩优化问题。数值实验表明，所提 DC 方法能显著提升通信效率，而当用户设备数量增长时可达 DoF 几乎保持不变。
引用
@article{arxiv.1809.07463,
title = {Data Shuffling in Wireless Distributed Computing via Low-Rank Optimization},
author = {Kai Yang and Yuanming Shi and Zhi Ding},
journal= {arXiv preprint arXiv:1809.07463},
year = {2019}
}