远程推理的及时通信

本文分析了数据新鲜度对远程推理系统的影响，其中预训练神经网络基于传感节点（如摄像头）观测到的特征（如视频帧）来推断时变目标（如车辆和行人的位置）。人们可能预期远程推理系统的性能会随着特征变旧而单调下降。通过信息论分析，我们表明如果特征和目标数据序列可以近似为马尔可夫链，则此结论成立；但如果数据序列远非马尔可夫性，则不成立。因此，推理误差是信息年龄（AoI）的函数，且该函数可能非单调。为实时最小化推理误差，我们提出了一种新的“从缓冲区选择”模型用于发送特征，该模型比早期研究中使用的“随意生成”模型更通用。此外，我们设计了低复杂度的调度策略以改善推理性能。对于单源单信道系统，我们提供了最优调度策略。在多源多信道系统中，调度问题变为多动作多臂赌博机问题。针对此设置，我们设计了一种新的调度策略，该策略整合了基于Whittle指数的源选择和基于对偶的特征从缓冲区选择算法。该新调度策略被证明是渐近最优的。这些调度结果适用于最小化一般AoI函数（单调或非单调）。数据驱动的评估展示了我们提出的调度策略的显著优势。