[논문 리뷰] Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks

Hongyang Du, Zonghang Li외 6명|arXiv (Cornell University)|2023. 01. 09.

Advanced MIMO Systems Optimization인용 수 45

한 줄 요약

본 논문은 무선 엣지 네트워크를 위한 AIGC-as-a-Service (AaaS)를 제안하고, 이미지 기반 품질 지표와 자원 사용과 지각 품질을 연결하는 일반 모델을 도입하며, 오버로드를 방지하면서 효율을 극대화하기 위한 DRL 기반의 ASP 선택 전략을 제시한다.

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.

연구 동기 및 목표

• AIGC 기법과 이를 엣지 네트워크 애플리케이션에 대한 포괄적 검토를 제공합니다.
• AIGC-as-a-Service (AaaS)를 도입하고 엣지에서의 배포 과제를 논의합니다.
• 자원과 품질을 연결하는 일반 모델과 이미지 기반 지각 품질 지표를 제안합니다.
• 유틸리티 극대화를 위한 동적 ASP 선택을 위한 딥 강화 학습 프레임워크를 개발합니다.

제안 방법

• AIGC 기법과 엣지 애플리케이션을 조사하여 AaaS를 동기화합니다.
• AaaS를 정의하고 무선 엣지에서의 배포 과제를 설명합니다.
• 이미지 기반 품질 지표(BRISQUE, TV, DSS, HaarPSI, MDSI, VIF)와 추론 단계와 품질을 연결하는 일반적인 네 파라미터 모델를 제안합니다.
• 자원 제약 하에서 ASP를 동적으로 선택하기 위한 딥 강화 학습(soft actor-critic) 알고리즘을 개발합니다.
• DRL 기반 ASP 선택을 무작위, 라운드 로빈, 과적 방지, 상한 벤치마크와 비교하여 향상된 신뢰성 및 QoS를 보여줍니다.

실험 결과

연구 질문

• RQ1 AIGC 기법을 무선 엣지 네트워크에서 효과적으로 AaaS로 배치하려면 어떻게 해야 합니까?
• RQ2 참조 없이 AIGC 지각 품질을 평가할 수 있는 적합한 이미지 기반 지표는 무엇입니까?
• RQ3 자원 사용량(예: 추론 단계)을 AaaS에서 지각 콘텐츠 품질을 예측하기 위해 어떻게 모델링할 수 있습니까?
• RQ4 DRL 기반 ASP 선택이 시스템 유틸리티를 극대화하면서 과부하와 작업 충돌을 피할 수 있습니까?

주요 결과

• DRL 활성화된 ASP 선택 정책은 벤치마크에 비해 제로 태스크 크래시를 달성하고 혼잡 페널티를 감소시킵니다.
• DRL 정책은 로드 밸런싱과 품질 우선순위를 신속하게 학습하여 상한 성능에 근접합니다.
• 이미지 기반 지표(BRISQUE, TV, DSS, HaarPSI, MDSI, VIF)는 diffusion-model-based AaaS 하에서 지각 품질과 상관관계가 있습니다.
• 일반적인 네 파라미터 모델은 AaaS 유형 전반에 걸친 추론 단계와 이미지 품질 간의 관계를 설명할 수 있습니다.
• 20 ASPs와 1000 edge users를 대상으로 한 시뮬레이션은 DRL의 무작위, 라운드 로빈, 과적방지 벤치마크에 비해 효과를 입증합니다.