[論文レビュー] Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks

Hongyang Du, Zonghang Li+6 more|arXiv (Cornell University)|Jan 9, 2023

Advanced MIMO Systems Optimization被引用数 45

ひとこと要約

本論文は wireless edge ネットワーク向けの AIGC-as-a-Service (AaaS) を提案し、画像ベースの品質指標とリソース使用量と知覚品質を結びつける一般モデルを導入し、オーバーロードを回避しつつ utilty を最大化する DRL ベースの ASP 選択戦略を提示します。

ABSTRACT

Artificial Intelligence-Generated Content (AIGC) refers to the use of AI to automate the information creation process while fulfilling the personalized requirements of users. However, due to the instability of AIGC models, e.g., the stochastic nature of diffusion models, the quality and accuracy of the generated content can vary significantly. In wireless edge networks, the transmission of incorrectly generated content may unnecessarily consume network resources. Thus, a dynamic AIGC service provider (ASP) selection scheme is required to enable users to connect to the most suited ASP, improving the users' satisfaction and quality of generated content. In this article, we first review the AIGC techniques and their applications in wireless networks. We then present the AIGC-as-a-service (AaaS) concept and discuss the challenges in deploying AaaS at the edge networks. Yet, it is essential to have performance metrics to evaluate the accuracy of AIGC services. Thus, we introduce several image-based perceived quality evaluation metrics. Then, we propose a general and effective model to illustrate the relationship between computational resources and user-perceived quality evaluation metrics. To achieve efficient AaaS and maximize the quality of generated content in wireless edge networks, we propose a deep reinforcement learning-enabled algorithm for optimal ASP selection. Simulation results show that the proposed algorithm can provide a higher quality of generated content to users and achieve fewer crashed tasks by comparing with four benchmarks, i.e., overloading-avoidance, random, round-robin policies, and the upper-bound schemes.

研究の動機と目的

• AIGC 技術とそのエッジネットワークへの応用の包括的なレビューを提供する。
• AIGC-as-a-Service (AaaS) を紹介し、エッジでの展開上の課題を議論する。
• 画像ベースの知覚品質指標とリソースと品質を結びつける一般的なモデルを提案する。
• ユーティリティを最大化するための動的 ASP 選択のための深層強化学習フレームワークを開発する。

提案手法

• AIGC 技術とそのエッジアプリケーションを調査し、AaaS を動機付ける。
• AaaS を定義し、 wireless edges における展開上の課題を明示する。
• 画像ベースの品質指標 (BRISQUE, TV, DSS, HaarPSI, MDSI, VIF) と推論ステップと品質を結びつける一般的な四パラメータモデルを提案する。
• 深層強化学習 (soft actor-critic) アルゴリズムを開発し、リソース制約下で ASP を動的に選択する。
• DRL ベースの ASP 選択を、ランダム、ローテーション、過負荷回避、上限ベースのベンチマークと比較し、信頼性と QoS の向上を示す。

実験結果

リサーチクエスチョン

• RQ1 AIGC 技術をどのように wireless edge ネットワークで AaaS として効果的に展開できるか？
• RQ2 参照なしで AIGC 知覚品質を評価するのに適切な画像ベースの指標は何か？
• RQ3 AaaS でリソース使用量（例：推論ステップ）をどのようにモデル化して知覚コンテンツ品質を予測できるか？
• RQ4 DRL ベースの ASP 選択は過負荷とタスククラッシュを回避しつつシステムのユーティリティを最大化できるか？

主な発見

• DRL を用いた ASP 選択ポリシーはタスククラッシュをゼロに抑え、ベンチマークと比較して混雑ペナルティを低減する。
• DRL ポリシーは負荷分散と品質優先を迅速に学習し、上限性能に近づく。
• image-based metrics (BRISQUE, TV, DSS, HaarPSI, MDSI, VIF) は拡散モデルベースの AaaS における知覚品質と相関する。
• 推論ステップと画像品質の関係を説明できる一般的な四パラメータモデルが、AaaS 種別を超えて適用可能。
• 20 個の ASP と 1000 人の edge ユーザーを対象としたシミュレーションは、DRL がランダム、ローテーション、過負荷回避ベースより効果的であることを示す。