.png){kind=icon}
返回
Learning Task-Oriented Communication for Edge Inference: An Information Bottleneck Approach
.png){kind=icon}
OA
AI
DOI：10.1109/JSAC.2021.3126087.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了用于边缘推理的面向任务的通信，其中低端边缘设备将本地数据样本的提取特征向量传输到功能强大的边缘服务器进行处理。在有限的带宽下，将数据编码为信息丰富且紧凑的表示形式对于低延迟推理至关重要。我们提出了一种基于学习的通信方案，该方案以面向任务的方式共同优化特征提取，源编码和信道编码，即针对下游推理任务而不是数据重构。具体来说，我们利用信息瓶颈 (IB) 框架来形式化编码特征的信息性与推理性能之间的速率失真折衷。由于IB优化对于高维数据在计算上是禁止的，因此我们采用变分近似，即变分信息瓶颈 (VIB) 来构建易于处理的上限。为了减少通信开销，我们利用稀疏性诱导分布作为VIB框架的变分先验来稀疏编码的特征向量。此外，考虑到实际通信系统中的动态信道条件，我们提出了一种基于动态神经网络的可变长度特征编码方案，以自适应地调整编码特征的激活维度以适应不同的信道条件。大量实验证明，所提出的面向任务的通信系统比基准方法实现了更好的速率失真折衷，并显着降低了动态信道条件下的特征传输延迟。
Keyword:
Task analysis
Servers
Mutual information
Image coding
Feature extraction
Dynamic scheduling
Mobile handsets
Task-oriented communication
edge inference
information bottleneck
variational inference
期刊
IF:
17.2
论文数:
6.4K
被引数:
3.1W
机构
引用论文
Etude optique in vivo des éléments photorécepteurs dans l'œil composé de Drosophila.png)
Kybernetik
KybernetikIF0
PREAI
分享收藏Regulation and Functions of the lms Homeobox Gene during Development of Embryonic Lateral Transverse Muscles and Direct Flight Muscles in DrosophilaPLoS ONE
OAAI
PLoS ONEIF0
OAAI分享收藏分享收藏
查看更多内容