Goal-oriented Communications based on Recursive Early Exit Neural Networks

要約

この論文では、再帰的早期終了モデルを活用した、目標指向のセマンティック通信のための新しいフレームワークを紹介します。
提案されたアプローチは 2 つの主要なコンポーネントに基づいて構築されています。
まず、計算を動的に分割する革新的な早期終了戦略を導入し、レイヤーごとの再帰的予測ダイナミクスに基づいてサンプルをサーバーにオフロードできるようにし、レイヤー全体にわたって信頼性が十分に速く増加していないサンプルを検出します。
2 番目に、無線状態、推論精度、リソース コストを考慮しながら、早期終了ポイント、計算分割、オフロード戦略を共同で決定する強化学習ベースのオンライン最適化フレームワークを開発します。
エッジ推論シナリオでの数値評価は、パフォーマンス、レイテンシ、リソース効率の間の優れたトレードオフを実現する方法の適応性と有効性を実証します。

要約(オリジナル)

This paper presents a novel framework for goal-oriented semantic communications leveraging recursive early exit models. The proposed approach is built on two key components. First, we introduce an innovative early exit strategy that dynamically partitions computations, enabling samples to be offloaded to a server based on layer-wise recursive prediction dynamics that detect samples for which the confidence is not increasing fast enough over layers. Second, we develop a Reinforcement Learning-based online optimization framework that jointly determines early exit points, computation splitting, and offloading strategies, while accounting for wireless conditions, inference accuracy, and resource costs. Numerical evaluations in an edge inference scenario demonstrate the method’s adaptability and effectiveness in striking an excellent trade-off between performance, latency, and resource efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google