Concetti Chiave
本論文では、クラウドRAN上の協調エッジAI推論アーキテクチャを提案する。地理的に分散したデバイスが実時間のノイズ付きセンサデータサンプルを取得し、ノイズの多い局所特徴ベクトルを抽出する。これらの特徴ベクトルは各リモートラジオヘッド(RRH)で集約されてノイズを抑制する。効率的なアップリンク特徴集約を実現するため、AirCompテクニックを活用し、各RRHが同一リソースブロック上で全デバイスからの局所特徴ベクトルを同時に受信する。その後、これらの集約された特徴ベクトルは量子化されてCPに送信され、さらに集約されて下流の推論タスクに使用される。本研究の目的は、弁別利得と呼ばれる代替的な精度指標を最大化することで推論精度を最大化することである。主な課題は、センシングノイズ、AirCompによる歪み、フロントホール容量の限界による量子化誤差を同時に抑制することである。これらの課題に対処するため、推論精度を向上させるための送信プリコーディング、受信ビームフォーミング、量子化誤差制御の統合的な手法を提案する。
Sintesi
本論文では、クラウドRAN上の協調エッジAI推論アーキテクチャを提案している。
- 地理的に分散したデバイスがノイズ付きのセンサデータサンプルを取得し、局所特徴ベクトルを抽出する。
- 各リモートラジオヘッド(RRH)がAirCompテクニックを使って全デバイスからの局所特徴ベクトルを集約し、ノイズを抑制する。
- 集約された特徴ベクトルは量子化されてCPに送信される。
- CPでは受信した特徴ベクトルをさらに集約し、強力なAIモデルで推論タスクを完了する。
- 推論精度を最大化するため、弁別利得と呼ばれる代替的な精度指標を最大化する最適化問題を定式化する。
- 主な課題は、センシングノイズ、AirCompによる歪み、フロントホール容量の限界による量子化誤差を同時に抑制することである。
- これらの課題に対処するため、送信プリコーディング、受信ビームフォーミング、量子化誤差制御の統合的な手法を提案する。
- 提案手法の有効性と優位性を、高精度の人間動作データセットを用いた数値実験で確認している。
Statistiche
各デバイクの送信電力は最大送信電力以下でなければならない。
全デバイスの総エネルギー消費は制限値以下でなければならない。
フロントホールの総容量は制限値以下でなければならない。