[논문 리뷰] Equitable Multi-Task Learning for AI-RANs

Panayiotis Raptis, Fatih Aslan외 1명|arXiv (Cornell University)|2026. 02. 09.

Age of Information Optimization인용 수 0

한 줄 요약

온라인-Within-온라인 공정 다중작업 학습(OWO-FMTL)을 도입하여 AI-RAN에서 동적 작업을 가진 다수 이용자 간의 긴 기간의 라운드-레벨 형평성을 달성하기 위해 두 루프의 primal–dual 온라인 학습 프레임워크와 α-공정성을 활용합니다.

ABSTRACT

AI-enabled Radio Access Networks (AI-RANs) are expected to serve heterogeneous users with time-varying learning tasks over shared edge resources. Ensuring equitable inference performance across these users requires adaptive and fair learning mechanisms. This paper introduces an online-within-online fair multi-task learning (OWO-FMTL) framework that ensures long-term equity across users. The method combines two learning loops: an outer loop updating the shared model across rounds and an inner loop rebalancing user priorities within each round with a lightweight primal-dual update. Equity is quantified via generalized alpha-fairness, allowing a trade-off between efficiency and fairness. The framework guarantees diminishing performance disparity over time and operates with low computational overhead suitable for edge deployment. Experiments on convex and deep learning tasks confirm that OWO-FMTL outperforms existing multi-task learning baselines under dynamic scenarios.

연구 동기 및 목표

• 이질적인 AI-RAN 사용자 간의 시간에 따라 변화하는 작업에 대한 공정한 추론 성능(인공지능 형평성) 향상을 мотив합니다.
• 동적 조건에서 라운드-장 기간의 공정성을 보장하는 온라인 평생 MTL 프레임워크를 개발합니다.
• 이론적 보장을 갖춘 경량의 엣지 친화적 primal–dual 알고리즘을 제공합니다.
• α-공정성을 통해 형평성과 시간이 지남에 따른 격차 감소를 달성하여 효율성과의 트레이드오프를 보여줍니다.

제안 방법

• AI-RAN 다중 사용자 학습을 외부 루프 초기화와 내부 루프 슬롯별 업데이트를 갖는 Online Convex Optimization 문제로 공식화합니다.
• 공정 함수의 공변성을 이용한 프 primal–dual 문제로 변환하기 위해 α-공정성을 사용하여 라운드 집계 유틸리티를 측정합니다.
• primal 업데이트에 Online Gradient Ascent (OGA)를 적용하고 사용자 우선순위에 대한 듀얼 그레디언트 업데이트를 수행하여 라운드 평균 공정성 후회를 아하게 만합니다.
• 초기화 x_t를 최적화하기 위한 외부 루프 OGD를 사용하여 내부 루프 후회와 연계된 상한 U_t(x_t)를 최소화합니다.
• 전체 알고리즘이 볼록 설정에서 RAF 후회에 대해 1/√m 속도의 선행하는 상한을 얻는 것을 증명합니다.

Figure 1: Illustration of system’s operation, where at each slot of a round all the participating users transmit the locally extracted features from their own data to the shared model. The shared model processes these features and send the results to the corresponding user, enabling them to complete

실험 결과

연구 질문

• RQ1 AI-RAN에서 다중 동적 작업에 걸쳐 장기적인 공정성(인공지능 형평성)을 어떻게 보장할 수 있을까?
• RQ2 외부 초기화와 내부 업데이트의 이중 계층 온라인 최적화가 적대적 또는 확률적 작업 시퀀스 하에서 라운드 평균 공정성 후회를 sublinear로 달성할 수 있을까?
• RQ3 α-공정성이 엣지 기반 MTL의 학습 효율성과 형평성 간의 균형에 어떠한 영향을 미치는가?
• RQ4 엣지 배치를 위한 제안된 primal–dual 온라인 방법의 계산 요구사항과 확장성은 어떠한가?

주요 결과

• OWO-FMTL은 볼록 설정에서 1/√m 규모의 선형 하한을 가진 sublinear한 라운드 평균 공정성 후회를 달성합니다.
• 내부 프라이멀–듀얼 업데이트는 각 라운드의 m 슬롯 전반에 걸쳐 형평성을 촉진하기 위해 사용자 유틸리티에 가중치를 부여합니다.
• 볼록 커널 회귀와 심층 학습(MNIST) 실험에서 OWO-FMTL가 동적/적대적 시나리오에서 기준 MTL 전략보다 우수함을 보여줍니다.
• 프레임워크는 엣지 RAN 배치에 적합한 낮은 계산 오버헤드를 유지하고 라운드 간 성능 차이를 점진적으로 감소시킵니다.
• 외부 루프 초기화 학습은 적응 속도와 최종 일반화 성능을 향상시킵니다.
• 가설과 비교 실험은 동적 작업 가중치가 고정 작업 가중치보다 더 높은 공정성과 유틸리티를 가져다줌을 보여줍니다.

Figure 2: Sublinear fairness regret of OWO-FMTL with respect to $m$ , for $\alpha=1$ (left) and $\alpha=2$ (right), under both stochastic and adversarial environments.