[논문 리뷰] Energy-Efficient Processing and Robust Wireless Cooperative Transmission for Edge Inference

Kai Yang, Yuanming Shi외 2명|arXiv (Cornell University)|2019. 07. 29.

Indoor and Outdoor Localization Technologies참고 문헌 35인용 수 9

한 줄 요약

이 논문은 확률적 품질보증(QoS) 제약 조건 하에서 총 전력 소비를 최소화하기 위해 작업 할당과 다운링크 beamforming을 공동으로 최적화하는 에너지 효율적인 엣지 인퍼런스 프레임워크를 제안한다. 통계학적 학습 기반의 강건 최적화 방법을 사용하여 비볼록 확률 제약 조건을 매트릭스 승화를 통해 매트릭스 부등식으로 재구성하고, DC 정규화를 통한 반복적 재가중 ℓ₁ 최소화를 통해 그룹 스퍼스 비트포밍 문제를 해결함으로써 최신 기술보다 낮은 전력 소비를 달성한다.

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.

연구 동기 및 목표

• 불확실한 무선 채널 조건 하에서 엣지 인퍼런스 시스템의 총 전력 소비—계산 및 전송—를 최소화하기 위해.
• 확률적 QoS 요구 조건과 채널 불확실성으로 인해 발생하는 공동 확률 제약 조건 기반 비트포밍 문제의 비가역성 문제를 해결하기 위해.
• 에지 노드 간의 효율적 작업 할당을 가능하게 하기 위해 비트포밍 벡터의 그룹 스퍼스티를 활용하기 위해.
• 채널 추정 오차와 피드백 제한 조건 하에서도 성능을 유지할 수 있는 해석 가능한 강건 최적화 프레임워크를 개발하기 위해.
• 신뢰성 있는 전송과 저지연 인퍼런스를 보장하면서도 기존 방법보다 높은 전력 효율성을 확보하기 위해.

제안 방법

• 에지 노드 간의 작업 할당을 모델링하기 위해 그룹 스퍼스 목적 함수를 포함한 공동 작업 선택 및 비트포밍 문제를 수립한다.
• 비볼록 2차 제약 조건을 매트릭스 부등식으로 변환하기 위해 매트릭스 승화를 사용하여 확률 제약 조건 문제의 볼록 근사를 가능하게 한다.
• 해석이 불가능한 확률적 QoS 제약 조건을 샘플링된 시나리오를 통해 근사하기 위해 통계학적 학습 기반의 강건 최적화 방법을 적용한다.
• 그룹 스퍼스성과 랭크-1 해를 동시에 유도하기 위해 차분-병행(Convex) (DC) 정규화를 통한 반복적 재가중 ℓ₁ 최소화 알고리즘을 활용한다.
• 각 반복 단계에서 가중치를 업데이트하여 그룹 스퍼스성을 향상시키고 최적의 비트포밍 벡터로의 수렴을 향상시킨다.
• S-Procedure를 활용하여 확률 제약 조건을 재구성함으로써 랭크-1 제약 조건을 포함한 해석 가능한 정수형 프로그래밍 문제로 변환한다.

실험 결과

연구 질문

• RQ1 불확실한 채널 상태 하에서 엣지 인퍼런스에서 총 전력 소비를 최소화하기 위해 공동 작업 할당과 비트포밍을 어떻게 최적화할 수 있는가?
• RQ2 확률적 QoS 요구 조건으로 인해 발생하는 공동 확률 제약 조건의 비가역성 문제를 효과적으로 다룰 수 있는 강건 최적화 기법은 무엇인가?
• RQ3 DC 정규화를 통한 재가중 ℓ₁ 최소화가 그룹 스퍼스성과 랭크-1 비트포밍 해를 효과적으로 유도할 수 있는가?
• RQ4 채널 불확실성 하에서 제안된 방법이 기존 접근법 대비 성능과 강건성 측면에서 어떻게 비교되는가?
• RQ5 채널 추정 오차와 피드백 제한 조건이 엣지 인퍼런스 시스템의 신뢰성과 효율성에 미치는 영향은 무엇인가?

주요 결과

• 제안된 재가중 전력 최소화 방법은 비교한 모든 최신 알고리즘 중에서 가장 낮은 총 전력 소비를 달성한다.
• S-Procedure를 사용하여 매트릭스 부등식으로 변환함으로써 확률적 QoS 제약 조건을 효과적으로 해석 가능한 형태로 변환한다.
• DC 정규화의 사용이 랭크-1 해를 성공적으로 유도하여 실질적인 비트포밍 구현에 필수적인 조건을 만족시킨다.
• 수치적 결과는 기존의 시나리오 생성 방법의 과도한 보수성은 피하면서도 강건성을 유지함을 보여준다.
• 특히 채널 불확실성 하에서도 작업 분배와 비트포밍을 공동으로 최적화함으로써 상당한 에너지 절감을 가능하게 한다.
• 알고리즘이 강한 그룹 스퍼스성을 갖는 해로 수렴함으로써 엣지 컴퓨팅 자원의 효율적 활용이 가능함을 나타낸다.