A Machine Learning Framework for Distributed Functional Compression over Wireless Channels in IoT

要約

タイトル：
IoTにおける分散機能圧縮のための機械学習フレームワーク

要約：
– IoTデバイスは膨大なデータを生成しており、最新の機械学習技術とともにサイバー物理システムを革新することになる。
– 自律走行から拡張現実まで、分散IoTデバイスが障害検知、物体認識などの形式の単純ではない特定のターゲット機能を計算する。
– ネットワークリソースに大きな負担がかかる、トレーニングまたは推論のためにデータを中央位置に転送する従来のクラウドベースの方法に焦点を当て、GMACと正交AWGNチャネル両方での分散機能圧縮のための最初の機械学習フレームワークを開発する。
– コルモゴロフ・アーノルド表現定理により、IoTの所望の機能圧縮タスクの任意の任務を設計することができる機械学習フレームワークを提供する。
– 重要なのは、生のセンサーデータはトレーニングまたは推論のために中央ノードに転送されないため、通信削減。
– これらのアルゴリズムに対して、収束保証と通信上限を示す。
– シミュレーションにより、機能圧縮のための学習済みエンコーダーとデコーダーが従来の手法よりも優れており、チャネル状態の変化やセンサーの故障にも頑健であることが示されている。
– クラウドベースのシナリオと比較して、アルゴリズムは通信の使用を2桁削減する。

要約(オリジナル)

IoT devices generating enormous data and state-of-the-art machine learning techniques together will revolutionize cyber-physical systems. In many diverse fields, from autonomous driving to augmented reality, distributed IoT devices compute specific target functions without simple forms like obstacle detection, object recognition, etc. Traditional cloud-based methods that focus on transferring data to a central location either for training or inference place enormous strain on network resources. To address this, we develop, to the best of our knowledge, the first machine learning framework for distributed functional compression over both the Gaussian Multiple Access Channel (GMAC) and orthogonal AWGN channels. Due to the Kolmogorov-Arnold representation theorem, our machine learning framework can, by design, compute any arbitrary function for the desired functional compression task in IoT. Importantly the raw sensory data are never transferred to a central node for training or inference, thus reducing communication. For these algorithms, we provide theoretical convergence guarantees and upper bounds on communication. Our simulations show that the learned encoders and decoders for functional compression perform significantly better than traditional approaches, are robust to channel condition changes and sensor outages. Compared to the cloud-based scenario, our algorithms reduce channel use by two orders of magnitude.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI