[论文解读] Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks

Hongyang Du, Zonghang Li+6 more|arXiv (Cornell University)|Jan 9, 2023

Advanced MIMO Systems Optimization被引用 45

一句话总结

该论文提出了为无线边缘网络提供 AIGC-as-a-Service (AaaS)，引入基于图像的质量度量及一个将资源使用与感知质量联系起来的一般模型，并提出基于 DRL 的 ASP 选择策略，在最大化效用的同时避免过载。

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.

研究动机与目标

• 提供对 AIGC 技术及其在边缘网络中的应用的全面评审。
• 介绍 AIGC-as-a-Service (AaaS) 并讨论在边缘部署的挑战。
• 提出基于图像的感知质量度量和将资源与质量联系起来的一般模型。
• 为动态 ASP 选择开发一个深度强化学习框架，以最大化效用。

提出的方法

• 调查 AIGC 技术及其边缘应用以推动 AaaS。
• 定义 AaaS 并阐述在无线边缘的部署挑战。
• 提出基于图像的质量度量（BRISQUE、TV、DSS、HaarPSI、MDSI、VIF）和一个将推理步骤与质量联系起来的一般四参数模型。
• 开发一个深度强化学习（soft actor-critic）算法，在资源约束下动态选择 ASPs。
• 将 DRL 基于 ASP 选择与随机、轮询、过载规避以及上界基准进行比较，显示更高的可靠性和 QoS。

实验结果

研究问题

• RQ1 如何在无线边缘网络中将 AIGC 技术有效部署为 AaaS？
• RQ2 有哪些适合的基于图像的度量用于在无参考情况下评估 AIGC 的感知质量？
• RQ3 资源使用量（例如推理步骤）如何建模以在 AaaS 中预测感知内容质量？
• RQ4 基于 DRL 的 ASP 选择是否能够在避免过载和任务崩溃的同时最大化系统效用？

主要发现

• 一个 DRL 支持的 ASP 选择策略在与基准相比下实现零任务崩溃并减少拥塞惩罚。
• DRL 策略快速学习负载均衡和质量优先，接近上界性能。
• 基于图像的度量（BRISQUE、TV、DSS、HaarPSI、MDSI、VIF）在基于扩散模型的 AaaS 下与感知质量相关。
• 一个通用四参数模型可以描述 across AaaS 类型的推理步骤与图像质量之间的关系。
• 具有 20 个 ASP 和 1000 个边缘用户的仿真实验显示 DRL 相比随机、轮询和过载规避基线更有效。