In-Edge AI: интеллектуализация мобильных периферийных вычислений, кэширования и связи с помощью федеративного обучения

In-Edge AI: Intelligentizing Mobile Edge Computing, Caching and Communication by Federated Learning
Min Chen, Xiaofei Wang, Yiwen Han, Xu Chen, Chenyang Wang, Qiyang Zhao
2019-07-24

In-Edge AIглубокое обучение с подкреплениемпериферийное кэшированиефедеративное обучениемобильные периферийные вычисления
В последнее время, на фоне стремительного развития технологий мобильной связи, теория и методы периферийных вычислений привлекают все большее внимание исследователей и инженеров во всем мире. Периферийные вычисления позволяют существенно сократить разрыв между возможностями облака и потребностями устройств на периферии сети, тем самым ускоряя доставку контента и повышая качество мобильных услуг. Для повышения уровня интеллектуальности периферийных систем, в отличие от традиционных методологий оптимизации, мы предлагаем интегрировать методы глубокого обучения с подкреплением и платформу федеративного обучения с мобильными периферийными системами для оптимизации мобильных периферийных вычислений, кэширования и связи. В связи с этим мы разрабатываем фреймворк «In-Edge AI», предназначенный для интеллектуального использования взаимодействия между устройствами и периферийными узлами при обмене параметрами обучения с целью улучшения обучения и вывода моделей, что позволяет выполнять динамическую оптимизацию на уровне системы и совершенствовать приложения, одновременно снижая избыточную нагрузку на системные коммуникации. Проведено исследование фреймворка «In-Edge AI», показавшее, что он обеспечивает производительность, близкую к оптимальной, при относительно небольших накладных расходах на обучение, а система остается когнитивной и адаптивной к мобильным системам связи. Наконец, мы обсуждаем ряд связанных проблем и возможностей, способных открыть перспективное будущее «In-Edge AI».
1
Согласно оценке, подход обеспечивает почти оптимальную производительность при относительно низких накладных расходах на обучение; при этом обозначены нерешённые проблемы и направления дальнейших исследований.
2
Федеративное взаимодействие устройств и периферийных узлов обеспечивает обмен параметрами для улучшения обучения и вывода моделей при снижении избыточных коммуникационных нагрузок системы.
3
Подход поддерживает динамическую оптимизацию на уровне системы и улучшение приложений, адаптируясь к изменяющимся условиям мобильных коммуникаций.
4
Платформа одновременно направлена на оптимизацию периферийных вычислений, кэширования контента и беспроводной связи.
5
В работе предложена платформа «In-Edge AI», объединяющая глубокое обучение с подкреплением и федеративное обучение в системах мобильных периферийных вычислений.

мобильные периферийные системы, охватывающие периферийные вычисления, кэширование и связь

интеллектуальная оптимизация на уровне системы и совершенствование приложений посредством совместного федеративного обучения и глубокого обучения с подкреплением, со снижением коммуникационных издержек и адаптивной производительностью

Publication Details
Publication Date
2019-07-24
Journal
Publisher
ISSN
Cited by
1157
Access Type
Author Information
Authors
Min Chen
Xiaofei Wang
Yiwen Han
Xu Chen
Chenyang Wang
Qiyang Zhao
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%