可重构智能表面辅助的边缘机器学习
信息论
2021-02-08 v1 math.IT
摘要
人工智能（AI）日益增长的普及与快速发展促使人们重新思考无线网络的演进。移动边缘计算（MEC）为 AI 应用提供了天然平台，因为它提供丰富的计算资源来训练 AI 模型，以及对移动与物联网设备所生成数据的低延迟访问。在本文中，我们提出一种在可重构智能表面（RIS）辅助下于 MEC 服务器执行机器学习任务的基础设施。与以最大化吞吐量为主要准则的传统通信系统不同，我们的目标是优化学习性能。具体而言，我们通过联合优化基站的波束成形向量与 RIS 的相移矩阵，最小化所有用户的最大学习误差。提出一种基于交替优化的框架来迭代优化这两项，其中推导了波束成形向量的闭式表达式，并设计了基于交替方向乘子法（ADMM）的算法以及误差水平搜索框架，以有效求解相移矩阵的非凸优化问题。仿真结果展示了部署 RIS 的显著增益，并验证了我们所提算法相对于多种基准的优势。
引用
@article{arxiv.2102.03185,
title = {Reconfigurable Intelligent Surface Assisted Edge Machine Learning},
author = {Shanfeng Huang and Shuai Wang and Rui Wang and Miaowen Wen and Kaibin Huang},
journal= {arXiv preprint arXiv:2102.03185},
year = {2021}
}
备注
6 pages, 4 figures, to appear in IEEE International Conference on Communications 2021. arXiv admin note: substantial text overlap with arXiv:2012.13533