多接入边缘计算中 CNN 推理的动态语义压缩：一种基于图强化学习的自编码器
图像与视频处理
2024-01-23 v1 人工智能
机器学习
摘要
本文研究动态多接入边缘计算 (MEC) 网络中 CNN 推理的计算卸载。为了解决通信时间和计算资源可用性的不确定性，我们提出了一种新颖的语义压缩方法，即基于自编码器的 CNN 架构 (AECNN)，用于在部分卸载中进行有效的语义提取和压缩。在语义编码器中，我们引入了基于 CNN 中通道注意力机制的特征压缩模块，通过选择最具信息量的特征来压缩中间数据。在语义解码器中，我们设计了一个轻量级解码器，通过从接收到的压缩数据中学习来重构中间数据，以提高准确性。为了有效权衡通信、计算和推理精度，我们设计了一个奖励函数，并将 CNN 推理的卸载问题表述为以长期最大化平均推理精度和吞吐量为目标的优化问题。为了解决这一最大化问题，我们提出了一种基于图强化学习的 AECNN (GRL-AECNN) 方法，在不同的动态场景下优于现有工作 DROO-AECNN、GRL-BottleNet++ 和 GRL-DeepJSCC。这突显了 GRL-AECNN 在动态 MEC 卸载决策中的优势。
引用
@article{arxiv.2401.12167,
title = {Dynamic Semantic Compression for CNN Inference in Multi-access Edge Computing: A Graph Reinforcement Learning-based Autoencoder},
author = {Nan Li and Alexandros Iosifidis and Qi Zhang},
journal= {arXiv preprint arXiv:2401.12167},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2211.13745