SemanticNN：面向极端弱设备的压缩式容错语义卸载
计算机视觉与模式识别
2025-11-17 v1 人工智能
分布式、并行与集群计算
摘要
随着物联网的快速发展，将人工智能集成到极端弱设备上已引起广泛关注，使其能够实现更好的实时性能和数据隐私增强。然而，这些设备的资源受限且网络条件不可靠， necessitating error-resilient device-edge 协作系统。传统方法侧重于比特级传输正确性，在动态信道条件下可能效率不高。相反，我们提出SemanticNN（语义编解码器），以容忍比特级错误为目标，追求语义级正确性，实现严格计算和通信约束下的压缩式容错协同推理卸载。它集成了面向比特错误率（BER）的解码器，以适应动态信道条件，以及基于软量化（SQ）的编码器以学习紧凑表示。基于此架构，我们引入特征增强学习（Feature-augmentation Learning），一种新颖的训练策略以提升卸载效率。为解决编码器-解码器因资源不对称导致的能力失配问题，我们提出基于XAI的不对称补偿（XAI-based Asymmetry Compensation），以增强解码器的语义保真度。我们在STM32上进行了广泛实验，涉及三个模型和六个数据集，覆盖图像分类和目标检测任务。实验结果表明，在不同传输错误率下，SemanticNN可将特征传输量降低56.82-344.83倍，同时保持卓越的推理准确率。
引用
@article{arxiv.2511.11038,
title = {SemanticNN: Compressive and Error-Resilient Semantic Offloading for Extremely Weak Devices},
author = {Jiaming Huang and Yi Gao and Fuchang Pan and Renjie Li and Wei Dong},
journal= {arXiv preprint arXiv:2511.11038},
year = {2025}
}