理解边缘计算的不确定性：新原理与设计方法
信息论
2020-06-02 v1 网络与互联网体系结构
math.IT
摘要
由于边缘位于云与用户之间，且深度神经网络（DNN）应用近期激增，边缘计算带来了必须被分别理解的不确定性。特别地，边缘用户随时间与地点变化而改变的本地特定需求导致了一种称为数据集偏移的现象，其定义为训练与测试数据集表示之间的差异。这使得许多解决不确定性的最先进方法不够充分。我们不是绕开它，而是利用这一现象，采用一个新原理：AI 模型多样性，即当用户被允许从多个 AI 模型中机会式选择时实现该多样性。为利用 AI 模型多样性，我们提出模型多样性网络（MoDNet），并为高效学习驱动的通信方案提供设计指南与未来方向。
引用
@article{arxiv.2006.01032,
title = {Understanding Uncertainty of Edge Computing: New Principle and Design Approach},
author = {Sejin Seo and Sang Won Choi and Sujin Kook and Seong-Lyun Kim and Seung-Woo Ko},
journal= {arXiv preprint arXiv:2006.01032},
year = {2020}
}
备注
7 pages, 5 figures, 1 table