面向任务的边缘网络：无线前传链路上的去中心化学习

本文研究面向任务的边缘网络，其中多个边缘物联网节点在网络云端的强大深度神经网络（DNN）辅助下执行机器学习任务。分离的边缘节点（EN）导致一个部分可观测系统，它们只能获取全局网络状态的分区特征。这些局部观测需要通过资源受限的无线前传链路转发至云端。各个EN使用面向任务的编码器DNN将其局部观测压缩为上行前传消息。随后，云端利用接收到的信号执行远程推理任务。这种分布式拓扑结构需要一个去中心化训练与去中心化执行（DTDE）学习框架，用于设计边云协同推理规则及其去中心化训练策略。首先，我们开发了前传协同DNN架构以及适用于无线前传互连的适当上行协调协议。受nomographic function启发，高效的云端推理模型成为若干浅层DNN的集成。这种模块化架构带来了与EN数量无关的通用计算。接下来，我们提出了一种在下行无线前传信道上分离边云DNN的去中心化训练算法。提出了适当的下行协调协议，该协议将梯度向量从云端无线反向传播至EN。