[論文レビュー] Energy-Efficient Processing and Robust Wireless Cooperative Transmission for Edge Inference

Kai Yang, Yuanming Shi+2 more|arXiv (Cornell University)|Jul 29, 2019

Indoor and Outdoor Localization Technologies参考文献 35被引用数 9

ひとこと要約

本稿は、確率的サービス品質（QoS）制約の下で総消費電力を最小化する、エッジ推論向けのエネルギー効率の高いフレームワークを提案する。統計的学習に基づくロバスト最適化手法を用いることで、非凸な確率的制約を行列の上昇を用いて行列不等式に再定式化し、DC正則化を施した反復的重み付けℓ₁最小化によりグループスパースビームフォーミング問題を解く。これにより、最先端手法に比べて低い電力消費を達成する。

ABSTRACT

Edge machine learning can deliver low-latency and private artificial intelligent (AI) services for mobile devices by leveraging computation and storage resources at the network edge. This paper presents an energy-efficient edge processing framework to execute deep learning inference tasks at the edge computing nodes whose wireless connections to mobile devices are prone to channel uncertainties. Aimed at minimizing the sum of computation and transmission power consumption with probabilistic quality-of-service (QoS) constraints, we formulate a joint inference tasking and downlink beamforming problem that is characterized by a group sparse objective function. We provide a statistical learning based robust optimization approach to approximate the highly intractable probabilistic-QoS constraints by nonconvex quadratic constraints, which are further reformulated as matrix inequalities with a rank-one constraint via matrix lifting. We design a reweighted power minimization approach by iteratively reweighted $\ell_1$ minimization with difference-of-convex-functions (DC) regularization and updating weights, where the reweighted approach is adopted for enhancing group sparsity whereas the DC regularization is designed for inducing rank-one solutions. Numerical results demonstrate that the proposed approach outperforms other state-of-the-art approaches.

研究の動機と目的

• 無線チャネルの不確実性を考慮したエッジ推論システムの総電力消費（計算および送信）を最小化すること。
• 確率的QoS要件とチャネル不確実性による、連合確率的制約付きビームフォーミング問題の取り扱いの難しさに対処すること。
• エッジノード間の効率的なタスク割り当てを可能にするために、ビームフォーミングベクトルにおけるグループスパarsityを活用すること。
• チャネル推定誤差とフィードバック制限に耐えうる、取り扱い可能なロバスト最適化フレームワークを構築すること。
• 信頼性の高い送信と低遅延推論を確保しながら、既存手法を上回る電力効率を達成すること。

提案手法

• エッジノード間のタスク割り当てをモデル化するグループスパースな目的関数を用いて、連合タスク選択とビームフォーミング問題を定式化する。
• 非凸な二次制約を行列の上昇により行列不等式に変換することで、確率的制約付き問題の凸緩和を可能にする。
• サンプルされたシナリオを用いて、取り扱いが困難な確率的QoS制約を近似する統計的学習に基づくロバスト最適化手法を適用する。
• グループスパarsityとランク1解の両方を促進するために、差分凸（DC）正則化を施した反復的重み付けℓ₁最小化アルゴリズムを採用する。
• 各反復で重みを更新することで、グループスパarsityを強化し、最適ビームフォーミングベクトルへの収束を改善する。
• S-Procedureを用いて確率的制約を再定式化し、ランク1制約を含む取り扱い可能な半定値計画問題に変換する。

実験結果

リサーチクエスチョン

• RQ1 不確実なチャネル状態を伴うエッジ推論において、連合タスク割り当てとビームフォーミングを最適化することで、総電力消費を最小化する方法は何か？
• RQ2 確率的QoS要件に起因する連合確率的制約の取り扱いの難しさに対処するための有効なロバスト最適化手法は何か？
• RQ3 DC正則化を施した再帰的重み付けℓ₁最小化は、グループスパースかつランク1のビームフォーミング解を効果的に誘導できるか？
• RQ4 チャネル不確実性下で、提案手法は既存手法と比較して性能とロバスト性において優れているか？
• RQ5 チャネル推定誤差とフィードバック制限は、エッジ推論システムの信頼性と効率にどのような影響を与えるか？

主な発見

• 提案された再帰的重み付け電力最小化手法は、比較されたすべての最先端アルゴリズムの中で最も低い総電力消費を達成する。
• S-Procedureを用いて行列不等式に変換することで、確率的QoS制約が効果的に取り扱える。
• DC正則化の使用により、実装上重要なランク1解が効果的に促進された。
• 数値結果から、従来のシナリオ生成法の過剰な慎重さを回避しながらも、ロバスト性を維持していることが示された。
• チャネル不確実性下でも、タスク配分とビームフォーミングの共同最適化により、顕著なエネルギー削減が可能である。
• アルゴリズムは強いグループスパarsityを示す解に収束し、エッジコンピューティングリソースの効率的利用が示された。