面向边缘智能的学习中心化功率分配
信息论
2020-07-23 v1 机器学习
信号处理
math.IT
摘要
尽管机器类通信（MTC）设备产生海量数据，它们常因能量与计算能力受限而无法处理这些数据。为此，人们提出了边缘智能，其收集分布式数据并在边缘执行机器学习。然而，该范式需要最大化学习性能而非通信吞吐量，为此著名的注水算法与极大极小公平算法变得低效，因为它们仅依据无线信道质量分配资源。本文提出一种学习中心化功率分配（LCPA）方法，其基于经验分类误差模型分配无线资源。为深入理解 LCPA，我们推导了渐近最优解。该解表明发射功率与信道增益成反比，且随学习参数呈指数缩放。实验结果显示，所提 LCPA 算法显著优于其他功率分配算法。
引用
@article{arxiv.2007.11399,
title = {Learning Centric Power Allocation for Edge Intelligence},
author = {Shuai Wang and Rui Wang and Qi Hao and Yik-Chung Wu and H. Vincent Poor},
journal= {arXiv preprint arXiv:2007.11399},
year = {2020}
}
备注
6 pages, 7 figures, in Proc. IEEE ICC 2020, Wireless Communications Symposium, Jun. 2020. arXiv admin note: substantial text overlap with arXiv:1911.04922