边缘学习中用于高移动性无线数据采集的快速模拟传输
信息论
2018-07-31 v1 math.IT
摘要
通过在网络边缘实现机器学习,边缘学习利用分布于边缘设备(如智能手机与传感器)的丰富数据训练模型,并反过来赋予其看、听与推理的能力。在边缘学习中,当边缘设备(甚至服务器)搭载于地面或空中载具时,会产生高移动性无线数据采集的需求。本文提出一种称为快速模拟传输(FAT)的新颖方案,用于边缘学习系统中的高移动性数据采集,其具有若干关键特征。首先,FAT带来低时延。具体而言,通过所提Grassmann模拟编码(GAE)技术——将数据采集样本编码为子空间矩阵,FAT无需信源与信道编码,也无需信道训练。其次,FAT通过天线阵列直接传输模拟向量数据来支持空间复用。第三,FAT可无缝集成于边缘学习(本工作中即分类器模型的训练)。特别地,通过应用计算机视觉中的Grassmannian分类算法,接收到的GAE编码数据无需解码与转换即可直接用于模型训练。仿真发现,由于对快衰落引起的数据失真具有鲁棒性,该设计在学习精度上优于传统方案。
引用
@article{arxiv.1807.11250,
title = {Fast Analog Transmission for High-Mobility Wireless Data Acquisition in Edge Learning},
author = {Yuqing Du and Kaibin Huang},
journal= {arXiv preprint arXiv:1807.11250},
year = {2018}
}
备注
This work has been submitted to the IEEE for possible publication