面向分布式感知的空中多视图池化

感知被设想为 6G 移动网络的一项关键网络功能。人工智能（AI）赋能的感知融合来自边缘网络中分布式设备的多视图特征，以供边缘服务器进行准确推理。这一过程被称为多视图池化，由于大量设备的多址接入而造成了通信瓶颈。为缓解该问题，我们提出了一种面向分布式感知的以任务为导向的同步接入方案，称为空中池化（AirPooling）。现有的空中计算（AirComp）技术可通过利用多址信道的波形叠加特性直接应用于实现平均空中池化。然而，尽管在实践中最为常用，被称为最大空中池化的空中最大化却无法由 AirComp 实现，因为 AirComp 仅处理有限的函数子集。我们通过提出新颖的广义 AirPooling 框架来应对这一挑战，该框架可通过控制配置参数来配置以支持最大和平均空中池化。前者通过对 AirComp 在设备端添加所设计的前处理、在服务器端添加后处理来实现。为刻画端到端感知性能，应用分类间隔理论将分类精度与 AirPooling 误差相关联。此外，分析揭示了最大空中池化在池化函数近似精度与噪声抑制有效性之间的固有权衡。利用该权衡，我们优化了最大空中池化的配置参数，得到了一种次优闭式自适应参数控制方法。在真实世界数据集上的实验结果表明，AirPooling 提供的感知精度接近传统数字空中接口所能达到的水平，但大幅降低了通信时延。