面向双向延迟网络实时远程推断的目标导向状态更新

我们研究了一种设置，其中智能模型（例如预训练的神经网络）通过来自远程源的数据样本推断目标信号的实时值。传输调度器决定（i）数据包的新鲜度、（ii）其长度（即包含的样本数）以及（iii）何时传输。新鲜度使用信息增益（Age of Information, AoI）进行量化，而给定数据包长度的推理质量是 AoI 的一般函数。以往工作假设传输延迟为独立同分布且具有即时反馈，或限制在推理性能随输入数据年龄而退化的情况。我们的模型除能够捕捉非单调的年龄依赖性外，还涵盖正向和反馈链路上的马尔可夫延迟。我们将其建模为一个无限期平均成本的半马尔可夫决策过程（Semi-Markov Decision Process）。我们获得了一个闭式解，用于决定（i）和（iii），适用于任意固定数据包长度。求解何时传输的方案为一种基于指数的阈值策略，其中指数函数以接收端的延迟状态和 AoI 表示。在此基础上，我们单独优化了固定数据包长度的值。此外，我们还发展了一种针对可变数据包长度情况的指数基准策略，这有助于降低复杂度。在仿真结果中，我们观察到目标导向调度器相对于单位长度数据包的年龄基调度方式，可将推理误差降低至原来的六分之一。