基于系统级动态门控神经网络的资源高效传感器融合
人工智能
2024-10-23 v1 网络与互联网体系结构
摘要
移动系统需要支持多个基于 AI 的应用程序，每个应用程序都通过 DNN 架构利用异构数据源，在网络中协同执行。为了在保证延迟、质量和关键且至关重要的推理可靠性要求的前提下，最小化 AI 推理任务的成本，必须优化（i）传感器/数据源的集合，（ii）DNN 架构，（iii）执行 DNN 部分的网络节点，以及（iv）所需资源。为此，我们利用带有分支的动态门控神经网络，提出一种新型算法策略称为 Quantile-constrained Inference（QIC），基于 Quantile-Constrained policy optimization。QIC 在上述系统所有方面进行联合、高质量、快速决策，旨在最小化推理能耗成本。我们指出，这是首个将门控动态 DNN 与基础设施级决策相连接的贡献。我们使用带有挤压和分支的动态门控 DNN 进行评估，该网络用于最优传感器融合和推理，在 RADIATE 数据集上进行训练，RADIATE 数据集提供雷达、LiDAR 和摄像头数据，以及实际无线传输数据。我们的结果表明，QIC 匹配最优解，并比其它方法超过 80%。
引用
@article{arxiv.2410.16723,
title = {Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks},
author = {Chetna Singhal and Yashuo Wu and Francesco Malandrino and Sharon Ladron de Guevara Contreras and Marco Levorato and Carla Fabiana Chiasserini},
journal= {arXiv preprint arXiv:2410.16723},
year = {2024}
}