远程推理系统的学习与通信协同设计：特征长度选择与传输调度
信息论
2024-06-25 v3 网络与互联网体系结构
math.IT
摘要
本文考虑一种远程推理系统，其中神经网络基于从传感节点（如相机）逐步接收的特征（如视频片段）推断时变目标（如机器人运动）。每个特征是感官数据的时间序列。推理误差由（i）时效性与（ii）特征序列长度决定，其中我们以信息年龄（AoI）作为时效性度量。虽然更长特征通常能提供更好推理性能，却常需更多信道资源发送该特征。为最小化时间平均推理误差，我们研究联合优化特征长度选择与传输调度的学习与通信协同设计问题。当存在单传感器-预测器对与单信道时，我们针对时不变与时变特征长度两种情形均开发了低复杂度最优协同设计。当存在多传感器-预测器对与多信道时，该协同设计问题成为 restless 多臂多动作 bandit 问题，为 PSPACE-hard。对此设定，我们设计了低复杂度算法求解。轨迹驱动评估表明这些协同设计有潜力将推理误差降低多达 10000 倍。
引用
@article{arxiv.2308.10094,
title = {Learning and Communications Co-Design for Remote Inference Systems: Feature Length Selection and Transmission Scheduling},
author = {Md Kamran Chowdhury Shisher and Bo Ji and I-Hong Hou and Yin Sun},
journal= {arXiv preprint arXiv:2308.10094},
year = {2024}
}