[論文レビュー] Towards an Intelligent Edge: Wireless Communication Meets Machine Learning

Guangxu Zhu, Dongzhu Liu+4 more|arXiv (Cornell University)|Sep 2, 2018

IoT and Edge/Fog Computing参考文献 8被引用数 56

ひとこと要約

本論文は、エッジ学習のための学習駆動型通信を提唱し、モバイル/MECプラットフォーム上での分散MLと無線設計を統合して、エッジでAIを実現する。

ABSTRACT

The recent revival of artificial intelligence (AI) is revolutionizing almost every branch of science and technology. Given the ubiquitous smart mobile gadgets and Internet of Things (IoT) devices, it is expected that a majority of intelligent applications will be deployed at the edge of wireless networks. This trend has generated strong interests in realizing an "intelligent edge" to support AI-enabled applications at various edge devices. Accordingly, a new research area, called edge learning, emerges, which crosses and revolutionizes two disciplines: wireless communication and machine learning. A major theme in edge learning is to overcome the limited computing power, as well as limited data, at each edge device. This is accomplished by leveraging the mobile edge computing (MEC) platform and exploiting the massive data distributed over a large number of edge devices. In such systems, learning from distributed data and communicating between the edge server and devices are two critical and coupled aspects, and their fusion poses many new research challenges. This article advocates a new set of design principles for wireless communication in edge learning, collectively called learning-driven communication. Illustrative examples are provided to demonstrate the effectiveness of these design principles, and unique research opportunities are identified.

研究の動機と目的

• ネットワークのエッジでAI対応アプリケーションが実行されるエッジ学習パラダイムを動機づける。
• エッジデバイスの計算能力とデータの制限という課題を特定し、MECと分散データを活用する必要性を明らかにする。
• エッジ学習をサポートするための新しい無線通信設計原理のセットを提案し、これを学習駆動型通信と称する。
• 分散学習と通信の統合を、結合された最適化駆動型の問題として強調する。

提案手法

• 無線通信をエッジ学習と統合する新しい設計フレームワークを提唱する。
• 学習駆動型通信原理の有効性を示す図示的な例を提示する。
• エッジデバイス向けの無線ネットワークと機械学習の交差領域における機会と課題について論じる。

実験結果

リサーチクエスチョン

• RQ1 MECプラットフォーム上での分散エッジ学習をより適切に支援するように、無線通信をどのように再設計できるか。
• RQ2 リソース制約の下でエッジデバイス間の分散データから学習する際の主要な課題は何か？
• RQ3 インテリジェントエッジの文脈で、通信設計と機械学習を統合することから生まれる機会は何か？

主な発見

• 学習駆動型通信がエッジ学習シナリオで潜在的な有効性を示す図示的な例。
• エッジインテリジェンスのための無線通信と機械学習の交差領域における新しい研究機会を特定する。
• 分散エッジシステムにおいてデータ共有、計算、通信を共同最適化する必要性を強調する。