迈向环境智能:感知、计算与通信一体化的联邦边缘学习
信息论
2023-03-22 v1 信号处理
math.IT
摘要
本文通过环境智能中基于无线感知的人体动作识别具体案例,研究联邦边缘学习(FEEL)的联合感知、计算与通信(SC)资源分配问题。首先,通过分析人体动作识别中的无线感知过程,我们发现感知发射功率存在一个阈值,超过该阈值将获得质量近似相同的满意感知数据样本。接着,在训练时间、能量供给和各边缘设备感知质量的约束下,将联合 SC 资源分配问题构建为最大化 FEEL 收敛速度的问题。求解该问题需依次解决两个子问题:第一个子问题归结为确定联合感知与通信资源分配,以最大化整个训练过程中可感知的样本总数;第二个子问题涉及将所得总感知样本数在所有通信轮次上分配,以确定每轮的批大小从而最大化收敛速度。第一个关于联合感知与通信资源分配的子问题,通过利用推导出的不同控制变量(资源)间关系转化为单变量优化问题,从而可通过一维网格搜索高效求解。对于第二个子问题,发现每轮待感知样本数(或批大小)是该轮所得损失函数值的递减函数。基于此关系,推导出了每轮通信近似最优批大小关于轮次索引的闭式解。最后,提供了大量仿真结果以验证所提联合 SC 资源分配方案的优越性。
引用
@article{arxiv.2206.05949,
title = {Toward Ambient Intelligence: Federated Edge Learning with Task-Oriented Sensing, Computation, and Communication Integration},
author = {Peixi Liu and Guangxu Zhu and Shuai Wang and Wei Jiang and Wu Luo and H. Vincent Poor and Shuguang Cui},
journal= {arXiv preprint arXiv:2206.05949},
year = {2023}
}
备注
13 pages, submitted to IEEE for possible publication