[论文解读] Energy-Efficient Processing and Robust Wireless Cooperative Transmission for Edge Inference

Kai Yang, Yuanming Shi+2 more|arXiv (Cornell University)|Jul 29, 2019

Indoor and Outdoor Localization Technologies参考文献 35被引用 9

一句话总结

该论文提出了一种面向边缘推理的节能框架，通过联合优化任务分配与下行波束成形，在满足概率质量服务（QoS）约束的前提下最小化总能耗。通过采用基于统计学习的鲁棒优化方法，将非凸的概率约束转化为矩阵不等式，并利用带DC正则化的迭代重加权ℓ₁最小化方法求解分组稀疏波束成形问题，实现了比现有最先进方法更低的能耗。

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.

研究动机与目标

• 在无线信道不确定性条件下，最小化边缘推理系统的总能耗（包括计算与传输能耗）。
• 解决由于概率QoS需求和信道不确定性导致的联合机会约束波束成形问题的不可解性。
• 利用波束成形向量中的分组稀疏性，实现边缘节点间的高效任务分配。
• 开发一种可处理的鲁棒优化框架，确保在信道估计误差和反馈受限条件下的性能稳定性。
• 在保证可靠传输与低时延推理的前提下，实现比现有方法更高的能效表现。

提出的方法

• 构建一个具有分组稀疏目标函数的联合任务选择与波束成形问题，以建模边缘节点间的任务分配。
• 利用矩阵提升技术将非凸二次约束转化为矩阵不等式，实现对机会约束问题的凸松弛。
• 采用基于统计学习的鲁棒优化方法，通过采样场景近似难以处理的概率QoS约束。
• 采用带差分凸（DC）正则化的迭代重加权ℓ₁最小化算法，以同时促进分组稀疏性与秩一解。
• 在每次迭代中更新权重，以增强分组稀疏性并加速向最优波束成形向量的收敛。
• 利用S-过程重述机会约束，得到一个带有秩一约束的可处理半定规划问题。

实验结果

研究问题

• RQ1 在信道状态不确定的边缘推理中，如何联合优化任务分配与波束成形以最小化总能耗？
• RQ2 何种鲁棒优化技术能有效处理由概率QoS需求引发的联合机会约束问题的不可解性？
• RQ3 带DC正则化的重加权ℓ₁最小化能否有效诱导出分组稀疏且秩一的波束成形解？
• RQ4 在信道不确定性条件下，所提方法在性能与鲁棒性方面相较于现有方法表现如何？
• RQ5 信道估计误差与反馈限制对边缘推理系统可靠性与效率有何影响？

主要发现

• 所提出的重加权功率最小化方法在所有对比的最先进算法中实现了最低的总能耗。
• 该方法通过S-过程将概率QoS约束转化为可处理的矩阵不等式，有效处理了约束问题。
• 采用DC正则化成功促进了秩一解的生成，这对实际波束成形实现至关重要。
• 数值结果表明，该方法避免了传统场景生成方法的过度保守性，同时保持了鲁棒性。
• 通过联合优化任务分配与波束成形，该框架在信道不确定性条件下实现了显著的节能效果。
• 该算法收敛至具有强分组稀疏性的解，表明边缘计算资源得到了高效利用。