面向边缘计算的使用在线序列学习的高效压缩比估计
机器学习
2023-07-11 v3
摘要
由于物联网的广泛采用，大量传感器信息正在被实时获取。因此，来自边缘设备的数据通信成本正在增加。压缩感知（CS）作为一种可用于边缘设备的数据压缩方法，作为一种降低通信成本的方法受到了关注。在CS中，估计合适的压缩比很重要。有一种方法可以使用强化学习（RL）对获取的数据自适应地估计压缩比。然而，可用于边缘的现有RL方法相关的计算成本通常很高。在本研究中，我们开发了一种用于边缘设备的高效RL方法，称为actor-critic在线序列极限学习机（AC-OSELM），以及一个使用AC-OSELM在边缘上通过估计合适的压缩比来压缩数据的系统。通过与其他用于边缘设备的RL方法进行比较，评估了所提出方法在估计压缩比方面的性能。实验结果表明，AC-OSELM表现出与现有方法相同或更好的压缩性能，并且压缩比估计速度更快。
引用
@article{arxiv.2211.04284,
title = {Efficient Compressed Ratio Estimation Using Online Sequential Learning for Edge Computing},
author = {Hiroki Oikawa and Hangli Ge and Noboru Koshizuka},
journal= {arXiv preprint arXiv:2211.04284},
year = {2023}
}
备注
Accepted in IEEE PIMRC 2023