深圳大学Xian, Li：基于面向任务的ARQ的数字语义设备边缘协同推理
论论资讯 ｜ 2024-04-29 ｜
41热度
IEEE Transactions on Vehicular Technology
Explore content
About the journal
Publish with us
Digital Semantic Device-edge Co-inference with Task-oriented ARQ
Li X.; Bi S.; Wang S.; Li X.; Zhang Y.A.
Published：2024-01-01
DOI：10.1109/tvt.2024.3390213
研究背景
在当今社会，随着数字化技术的飞速发展，人们对于智能设备的需求越来越迫切。然而，当前研究领域存在一个重要问题：在数字无线通信系统中，如何有效传输连续特征数据，以提高模型训练的效率和准确性呢？
研究内容
IEEE Transactions on Vehicular Technology上的一篇论文提出了“数字语义设备-边缘共同推理与任务导向ARQ”的设备-边缘共同推理系统，用于图像分类任务。该系统将深度学习模型分为边缘设备（ED）和边缘服务器（ES），其中ED将原始图像提供给其本地模型，并将输出的语义特征传输给ES进行分类。论文解决了通过现代数字无线通信系统传输连续特征时的两个关键挑战。
首先，他们设计了一个平滑的基于正弦的替代函数，用于近似在模型训练期间应用于连续特征向量的不可微分量化计算。这种方法实现了稳定的梯度反向传播和有效的训练收敛。其次，他们提出了一种新颖的面向任务的自动重传请求（ARQ）机制，即TARQ，以克服通信错误。与传统的基于比特错误检测的ARQ相比，TARQ根据当前信噪比（Signal-to-Noise Ratio，SNR）和推理结果做出重传决策，有效降低了重传概率，而不会降低推理准确性。模拟结果表明，所提出的方案具有快速的训练收敛性，并且推理准确性仅比理想性能低0.62％。同时，它平均减少了传统ARQ方案的推理延迟25.5％，实现了推理准确性和延迟之间的有效权衡。
研究意义
这项研究的创新之处在于提出了平滑的替代函数和任务导向的ARQ机制，为数字无线通信系统中的模型训练和推理提供了新的解决方案。通过这些方法，研究人员取得了快速的训练收敛和高效的推理准确性，为智能设备的发展和应用带来了新的可能性。
学术热榜
查看全部
相关资讯
换一批