DSPCI-MTL: Dynamic split point computing in multi-task learning implementation with collaborative intelligence

Sahin, MF

doi:10.1016/j.aej.2025.03.115

2025-06-01

PRE

Sahin, MF

S. Faegheh Yeganli

Farzad Kiani

DOI：10.1016/j.aej.2025.03.115

原文链接

原文求助

摘要

En 中文

深度神经网络（DNNs）已成为图像处理领域的关键技术，以其能够生成有效的特征图而闻名。DNNs在物联网（IoT）环境中的集成，特别是在多任务机器人和群集系统中，已使它们成为各种应用中的重要组成部分。然而，它们在IoT设备上的部署常面临硬件能力有限、带宽受限、数据传输时间延长以及因传输损失导致的图像数据包丢失等挑战。为解决这些问题，本文引入了协作智能（CI）策略下的多任务学习（MTL）方法，通过在边缘设备和云之间动态分配计算任务。该方法解决了由DNN针对多个任务（分割、分类、深度估计）的不佳计算分割点可能导致的性能下降问题，并补偿了不同网络条件和数据规模下的损失。我们方法的一个关键创新是引入了一种动态方法来确定分割点，基于实时带宽和数据量计算DNN层。此外，在云中实现了自编码器（AE）架构，根据特征图相似性度量来重建传输过程中丢失的图像数据包。实验结果表明，在特定操作参数下，将所有任务在云中处理相较于传统方法可将处理时间减少38%，而动态选择分割点可带来高达61%的性能提升。此外，所提出的方法通过将能耗降低高达50%实现了效率提升，相较于仅使用云处理的方式。该方法在变化网络延迟下表现出鲁棒性，并在低延迟条件下将推理时间最多减少了47.5%。在这方面，AE在数据损失重建中的创新应用也显示出相较于传统方法在复杂和长距离图像方面的巨大潜力，并在提高数据完整性和系统性能方面取得了有前景的结果。结果表明，所提出的架构在实时分布式处理和基于IoT的智能系统中是有效的。

Keyword:

Auto encoder

Collaborative intelligence

Deep neural network

IoT

Multi-task learning

Data reconstruction