Collaborative Edge AI Inference over Cloud-RAN

本文提出了一种基于云无线接入网络（Cloud-RAN）的协同边缘人工智能推理架构。具体而言，地理分布的设备捕获实时噪声污染的感官数据样本并提取嘈杂的本地特征向量，然后在每个远程无线电头（RRH）处聚合以抑制感知噪声。为了实现高效的上行特征聚合，我们允许每个RRH通过利用一种空中计算（AirComp）技术同时从所有设备接收本地特征向量，这些设备使用相同的资源块。然后，这些聚合的特征向量被量化并传输到中央处理器（CP）进行进一步的聚合和下行推理任务。我们的目标是通过一种称为判别增益的代理准确度指标来最大化推理准确度，该指标测量特征空间中不同类别的可辨别性。关键挑战在于同时抑制耦合感知噪声、敌对无线信道引起的AirComp失真以及由前传链路有限容量引起的量化误差。为了解决这些挑战，本文提出了一种联合发送预编码、接收波束成形和量化误差控制方案来增强推理准确度。广泛的数值实验证明了我们提出的优化算法相比各种基线的有效性和优越性。

本论文旨在提出一种基于云无线接入网络（Cloud-RAN）的协作边缘人工智能推理架构，解决分布式设备捕获实时噪声污染感知数据样本的问题，同时解决感知噪声、无线信道干扰和量化误差等问题，从而提高推理精度。

论文提出了一种联合发送预编码、接收波束成形和量化误差控制方案，以提高推理精度。同时，利用无线计算（AirComp）技术，允许每个远程无线电头（RRH）同时从所有设备接收本地特征向量，实现高效的上行特征聚合。

论文的亮点在于提出了一种新的基于云-RAN的协作边缘人工智能推理架构，能够同时解决感知噪声、无线信道干扰和量化误差等问题，从而提高推理精度。论文进行了大量的数值实验，证明了所提出的优化算法的有效性和优越性。

在这个领域中，最近的相关研究包括：'Federated Learning for Mobile Networks: A Survey'、'Wireless Federated Learning: Challenges and Opportunities'、'Edge Intelligence: Paving the Last Mile of Artificial Intelligence with Edge Computing'等。