摘要

本文由Xiang Jiao等人撰写，探讨了边缘设备协同推理任务中的空中计算（AirComp）技术，旨在通过平衡分类准确性来提高边缘设备与边缘服务器之间的合作效率。文章提出了一种面向任务的空中计算方案，通过最大化最小成对判别增益来优化分类任务的推理准确性。该方法不仅改善了传统平均判别增益指标导致的分类不平衡问题，还通过联合优化所有特征元素的判别增益，实现了更高效的传输功率分配。实验部分通过人体运动识别的具体案例，验证了所提方案相对于基准方案的优越性。

原理

本文提出的任务导向型空中计算方案的核心在于引入了一种新的可处理推理准确性度量——最小成对判别增益。与以往工作不同，该度量关注的是特征空间中所有类别对之间的最小距离，而非平均距离。通过最大化这一最小距离，确保了特征空间中任意一对类别都能得到更好的分离，从而实现所有类别的平衡推理准确性提升。此外，该方案还通过联合优化所有特征元素的判别增益，而非单独优化每个元素，进一步提高了系统的性能。这种优化策略允许根据不同特征元素对推理准确性的贡献差异，自适应地分配传输功率，增加了性能改进的自由度。

流程

在具体实施中，系统由多个单天线设备和一个单天线边缘服务器组成。每个设备从高维原始数据中提取低维特征向量，并通过空中计算技术将这些特征向量聚合到服务器端，以抑制感知和通道噪声。服务器端接收到的特征元素通过波形叠加特性自动聚合，并用于推导真实特征元素的估计。整个过程涉及多个时间槽的序列传输，每个时间槽内，所有设备同步传输同一特征维度的元素。优化目标是通过最大化最小成对判别增益来提高推理准确性，同时满足每个设备的传输功率约束和总体能量约束。

应用

该论文提出的技术适用于需要高效率和有效性执行推理任务的边缘计算场景，特别是在自动驾驶、远程健康监测等智能服务领域。通过提高分类准确性和降低延迟，该技术有望在未来的边缘人工智能系统中发挥重要作用。此外，该方案还可以扩展到多输入多输出系统、使用非授权频谱的场景，以及大型语言模型等更广泛的领域。