边缘计算论文阅读Dynamic Semantic Compression for CNN Inference in Multi-access Edge Computing:

Li, N., Iosifidis, A., & Zhang, Q. (2024). Dynamic Semantic Compression for CNN Inference in Multi-access Edge Computing: A Graph Reinforcement Learning-based Autoencoder. In arXiv [eess.IV]. arXiv. http://arxiv.org/abs/2401.12167

“在多接入边缘计算中的CNN推断的动态语义压缩：基于图强化学习的自编码器”

Dynamic Semantic Compression for CNN Inference in Multi-access Edge Computing: A Graph Reinforcement Learning-based Autoencoder

这篇论文研究了在动态多接入边缘计算（MEC）网络中的CNN推断的计算卸载。为了解决通信时间和计算资源可用性的不确定性，我们提出了一种新颖的语义压缩方法，即基于自编码器的CNN架构（AECNN），用于在部分卸载中进行有效的语义提取和压缩。在语义编码器中，我们引入了基于CNN中通道注意机制的特征压缩模块，通过选择最具信息性的特征来压缩中间数据。在语义解码器中，我们设计了一个轻量级解码器，通过从接收到的压缩数据中学习以改善准确性来重建中间数据。为了有效权衡通信、计算和推断准确性，我们设计了一个奖励函数，并将CNN推断的卸载问题制定为一个最大化问题，目标是在长期内最大化平均推断准确性和吞吐量。为了解决这个最大化问题，我们提出了一种基于图强化学习的AECNN（GRL-AECNN）方法，在不同的动态场景下优于现有的方法DROO-AECNN、GRL-BottleNet++和GRL-DeepJSCC。这突显了GRL-AECNN在动态MEC中卸载决策制定方面的优势。

图1：ResNet-50中的第1个卷积层（CL）的输出特征图。蓝色的特征图几乎对推断无用，而红色的特征图包含足够的信息，可用于生成其他特征。

图2：在MEC网络中的任务卸载示例。

图3：在设备-边缘协同推断系统中提出的AECNN架构。 (a) 描述了AECNN的整体框架；(b) 展示了FC模块的设计；© 利用具有组卷积层的CNN展示了设计的FR模块。

图4：基于图强化学习的AECNN的框架