[論文レビュー] Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks

Shanfeng Huang, Shuai Wang+3 more|arXiv (Cornell University)|Dec 25, 2020

Advanced Wireless Communication Technologies参考文献 50被引用数 4

ひとこと要約

本稿では、RIS支援型モバイルエッジコンピューティングフレームワークを提案し、送信電力制御、ビームフォーミング、RIS位相シフトの共同最適化によって、ユーザー間の最大学習誤差を最小化することで、異種の機械学習タスクを最適化する。非凸最適化問題を解くために、AOベースのアルゴリズムにSCA、ADMM、誤差レベル探索を組み合わせた手法を導入し、3Dオブジェクト検出のユースケースにおいて、ベンチマーク手法と比較して顕著な性能向上を達成した。

ABSTRACT

The ever-growing popularity and rapid improving of artificial intelligence (AI) have raised rethinking on the evolution of wireless networks. Mobile edge computing (MEC) provides a natural platform for AI applications since it is with rich computation resources to train machine learning (ML) models, as well as low-latency access to the data generated by mobile and internet of things (IoT) devices. In this paper, we present an infrastructure to perform ML tasks at an MEC server with the assistance of a reconfigurable intelligent surface (RIS). In contrast to conventional communication systems where the principal criterions are to maximize the throughput, we aim at maximizing the learning performance. Specifically, we minimize the maximum learning error of all participating users by jointly optimizing transmit power of mobile users, beamforming vectors of the base station (BS), and the phase-shift matrix of the RIS. An alternating optimization (AO)-based framework is proposed to optimize the three terms iteratively, where a successive convex approximation (SCA)-based algorithm is developed to solve the power allocation problem, closed-form expressions of the beamforming vectors are derived, and an alternating direction method of multipliers (ADMM)-based algorithm is designed together with an error level searching (ELS) framework to effectively solve the challenging nonconvex optimization problem of the phase-shift matrix. Simulation results demonstrate significant gains of deploying an RIS and validate the advantages of our proposed algorithms over various benchmarks. Lastly, a unified communication-training-inference platform is developed based on the CARLA platform and the SECOND network, and a use case (3D object detection in autonomous driving) for the proposed scheme is demonstrated on the developed platform.

研究の動機と目的

• 従来のスループット中心の設計が不適切であるRIS支援型モバイルエッジコンピューティングにおける学習性能最適化の課題に対処する。
• 異なるモデルおよびデータの複雑さを有する異種ユーザー間で最大学習誤差を最小化するための共同最適化問題を定式化する。
• 送信電力、ビームフォーミングベクトル、RIS位相シフトの非凸かつ結合された最適化を処理するための逐次最適化フレームワークを設計する。
• 専用のアルゴリズムを設計する——電力割り当てにはSCA、閉形式ビームフォーミング、位相シフト最適化にはADMMと誤差レベル探索（ELS）を組み合わせる。
• 統合型通信・学習・推論プラットフォームと実世界の3Dオブジェクト検出ユースケースを通じて、本フレームワークの実用的妥当性を実証する。

提案手法

• ユーザーの送信電力、基地局のビームフォーミングベクトル、RIS位相シフト行列の3つの変数を交互に最適化する逐次最適化（AO）フレームワークを提案する。
• 非凸な電力割り当て問題を、逐次的凸近似（SCA）により凸部分問題の系列に変換する。
• SINR最大化に基づく一般化固有値問題を解くことで、最適なビームフォーミングベクトルの閉形式表現を導出する。
• 非凸な位相シフト行列最適化を効率的に解くために、ADMMに基づくアルゴリズムに誤差レベル探索（ELS）フレームワークを組み合わせる。
• CARLAおよびSECONDネットワークを基盤とする統合プラットフォームにアルゴリズムを統合し、提案手法のエンドツーエンド妥当性を検証する。
• 学習性能を信号対インターフェンス＋ノイズ比（SINR）の関数としてモデル化し、通信品質と学習精度の直接的関連を確立する。

実験結果

リサーチクエスチョン

• RQ1 RISをどのように活用することで、モバイルエッジコンピューティングにおける異種機械学習タスクの学習性能を向上させられるか？
• RQ2 多様なモデルおよびデータ特性を持つユーザー間で最大学習誤差を効果的に最小化するための共同最適化フレームワークは何か？
• RQ3 送信電力、ビームフォーミング、RIS位相シフトを含む非凸最適化問題を収束保証とともに効率的に解く方法は何か？
• RQ4 従来のRISなしのMECと比較して、エッジ学習システムにRISを導入することで得られる性能向上は何か？
• RQ5 RIS支援型エッジAIにおけるリアルタイム通信、学習、推論を実証できる実用的エンドツーエンドプラットフォームを構築できるか？

主な発見

• SCA、閉形式ビームフォーミング、ADMM-ELSを組み合わせたAOベースのアルゴリズムは収束を示し、顕著な学習性能向上を達成した。
• シミュレーション結果から、RISを導入することで、ベンチマーク手法と比較してユーザー間の最大学習誤差を顕著に低減できることが示された。
• 閉形式ビームフォーミング解は、チャネルおよび干渉統計を含む行列の主固有ベクトルとして導出された。
• ADMM-ELSフレームワークは非凸な位相シフト最適化を効果的に処理でき、エッジ学習におけるRISの実用的実装を可能にした。
• エンドツーエンドプラットフォームは自律走行における3Dオブジェクト検出を成功裏に実行し、提案フレームワークの実世界応用可能性を検証した。
• AO反復の各ステップで最適化問題の目的関数値が非増加であることが確認され、提案アルゴリズムの収束性が裏付けられた。