Model-Driven Deep Learning for Distributed Detection with Low-Bit Quantization

Wei Guo

doi:10.1109/jsac.2026.3746433

Model-Driven Deep Learning for Distributed Detection with Low-Bit Quantization

2026-10-23

0

PRE

AI

Jun Zhang (Jun Zhang)

K

Khaled B. Letaief

DOI：10.1109/jsac.2026.3746433

原文链接

原文求助

摘要

En 中文

分布式检测在大规模网络中的通信高效协同推理中扮演着基础性角色，其中由于带宽限制，空间分布节点必须通过严重量化的消息进行合作。虽然低比特量化对于减少通信开销至关重要，但它会显著降低检测性能，尤其是在缺乏观测噪声先验知识的情况下。为应对这一挑战，我们提出了一种基于模型的深度学习框架，用于低比特量化的分布式检测。对于固定的局部量化器，我们首先推导出有限传感器情况下的精确最大后验概率（MAP）检测误差，并证明在条件独立同分布（i.i.d.）观测、独立局部随机化和共同量化级约束条件下，相同的量化器能保持网络平均切诺夫信息（Chernoff information）的上确界。基于这些结果，我们开发了一种具有可训练神经网络概率控制器的二值概率量化器，并设计了一种树结构的概率量化器以实现可扩展的多比特量化。精确的有限传感器MAP误差为二值量化器的训练目标，同时我们推导出一种计算上易处理的 Bhattacharyya 替代目标用于训练多比特量化器。对于这两种情况，我们基于量化消息的条件概率质量函数（PMF）推导出分析性的MAP融合规则。当观测统计未知时，这些PMF从保留的标记数据中估计，得到插件式MAP检测器。仿真结果表明，所提出的方法在较高量化分辨率下接近集中式-先验（oracle）性能，并且在网络规模变化和测试时信号幅度变化下仍保持有效。

Keyword:

Distributed detection

low-bit quantization

maximum a posteriori (MAP) detection

model-driven deep learning (DL)

Model-Driven Deep Learning for Distributed Detection with Low-Bit Quantization

摘要

期刊

机构

引用论文