以学习为中心的功率分配实现边缘机器智能

尽管机器类通信（MTC）设备产生大量数据，但由于能量与计算能力有限，它们往往无法处理这些数据。为赋予 MTC 以智能，边缘机器学习被提出。然而，该范式中的功率分配需要最大化学习性能而非通信吞吐量，为此著名的注水与最大最小公平算法变得低效。为此，本文提出以学习为中心的功率分配（LCPA），为学习驱动场景下的无线资源分配提供了新视角。通过采用 1) 由学习理论支撑的经验分类误差模型，以及 2) 考虑用户间不同分布的不确定性采样方法，LCPA 被表述为一个非凸非光滑优化问题，并使用极大极小化（MM）框架求解。为深入理解 LCPA，渐近分析表明发射功率与信道增益成反比，并随学习参数呈指数缩放。这与仅考虑无线信道质量的传统功率分配形成对比。最后，进一步提出称为镜像近似 LCPA 的大规模优化算法，以在大规模设置中启用 LCPA。大量数值结果表明，所提 LCPA 算法优于传统功率分配算法，且大规模优化算法相比基于 MM 的 LCPA 将计算时间降低了数个数量级，同时仍取得有竞争力的学习性能。