面向经济高效多模态联邦感知的感知、通信与计算一体化
网络与互联网体系结构
2023-11-08 v1 信号处理
摘要
联邦学习（FL）是 6G 边缘智能（EI）的经典范式，它缓解了人工智能物联网（AIoT）中传统集中式数据处理引发的隐私泄露与高通信压力。多模态联邦感知（MFP）服务的实现涉及三个子过程，包括基于感知的多模态数据生成、基于通信的模型传输与基于计算模型训练，最终依赖于时间、频率与算力等可用的底层多域物理资源。因此，如何合理协调感知、通信与计算间的多域资源调度对 MFP 网络至关重要。针对上述问题，本文研究面向服务的感知、通信与计算一体化（ISCC）资源管理。借助 MFP 服务市场的激励机制，该资源管理问题被重定义为社会福祉最大化问题，其中运用“扩充资源”与“降低成本”的思路以提升学习性能增益并削减资源成本。实验结果证明了所提资源调度机制的有效性与鲁棒性。
引用
@article{arxiv.2311.03815,
title = {Integrated Sensing, Communication, and Computing for Cost-effective Multimodal Federated Perception},
author = {Ning Chen and Zhipeng Cheng and Xuwei Fan and Bangzhen Huang and Yifeng Zhao and Lianfen Huang and Xiaojiang Du and Mohsen Guizani},
journal= {arXiv preprint arXiv:2311.03815},
year = {2023}
}