Designing and Training of Lightweight Neural Networks on Edge Devices using Early Halting in Knowledge Distillation
Indian Institute of Technology (BHU) Varanasi（印度理工学院（巴纳拉斯印度教大学）瓦拉纳西分校）
深度神经网络（DNN）的自动特征提取能力和显著性能使其适合物联网（IoT）应用。然而，在边缘设备上部署DNN由于巨大的计算、能量和存储需求而变得令人望而却步。本文提出了一种使用大规模DNN设计和训练轻量级DNN的新方法。该方法考虑了可用存储、处理速度和在边缘设备上执行任务的最大允许处理时间。我们提出了一个基于知识蒸馏的训练过程来训练轻量级DNN以达到足够的准确性。在轻量级DNN的训练过程中，我们引入了一种新的早期停止技术，该技术保留了网络资源，从而加快了训练过程。最后，我们提出了经验和现实世界的评估，以验证所提出的方法在不同的约束下，使用各种边缘设备的有效性。
2022-09-30 cs.LG cs.NE
DistilLock: Safeguarding LLMs from Unauthorized Knowledge Distillation on the Edge
University of Southern California（南加州大学）；University of California, Davis（加州大学戴维斯分校）
针对边缘 LLM 微调中的数据隐私与模型知识产权泄露问题，提出 TEE 辅助的 DistilLock 框架，通过安全黑盒教师与混淆权重卸载实现高效、防窃取的知识蒸馏。
2025-10-19 cs.CR cs.LG
When Smaller Wins: Dual-Stage Distillation and Pareto-Guided Compression of Liquid Neural Networks for Edge Battery Prognostics
Singapore Institute of Technology（新加坡科技学院）；Institute of Materials Research and Engineering（材料研究与工程研究所）；Agency for Science, Technology and Research（科技研究局）；Institute of High Performance Computing（高性能计算研究所）
提出DLNet框架，通过欧拉离散化、双阶段知识蒸馏和帕累托引导压缩，将高容量液态神经网络压缩为边缘可部署模型，在电池健康预测中实现小模型超越大模型。
2026-06-12 cs.AI cs.LG
Knowledge Distillation in Federated Edge Learning: A Survey
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Zhongguancun Laboratory（中关村实验室）；Beijing Jiaotong University（北京交通大学）
本文综述知识蒸馏在联邦边缘学习中的应用，梳理其应对资源、个性化与网络挑战的方法，并指出局限、开放问题及部署指导。
2024-03-05 cs.LG
Joint Device-Edge Inference over Wireless Links with Pruning
Imperial College London（伦敦帝国学院）
我们提出了一种联合特征压缩和传输方案，用于在无线网络边缘进行有效的推断。我们的目标是在边缘服务器上实现高效可靠的推理，假设边缘设备上的计算资源有限。以前的工作主要集中在特征压缩，忽略了信道编码的计算成本。我们结合了最近提出的深度联合信源信道编码（DeepJSCC）方案，并将其与旨在降低神经网络冗余复杂度的新型滤波器修剪策略相结合。我们评估了我们的分类任务的方法，并显示在边缘设备的端到端的可靠性和工作负载减少的改进结果。这是第一项将DeepJSCC与网络修剪相结合的工作，并将其应用于无线边缘的图像分类。
2020-10-20 cs.CV cs.IT cs.LG
Constrained Edge AI Deployment: Fine-Tuning vs Distillation for LLM Compression
Department of Computer Science, University of West Florida（计算机科学系，西佛罗里达大学）；Department of Mathematics and Statistics, University of West Florida（数学与统计学系，西佛罗里达大学）；Department of Intelligent Systems and Robotics, University of West Florida（智能系统与机器人系，西佛罗里达大学）；Institute of Human and Machine Cognition（人机认知研究所）；DEVCOM Army Research Laboratory（陆军研究实验室）
本研究比较了微调与自蒸馏在仅MLP剪枝的LLM压缩中的效果，发现KL散度蒸馏在相同剪枝计划下达到或超过交叉熵微调，表明损失函数选择对边缘部署中压缩模型恢复有重要影响。
2025-05-13 cs.LG
FedICT: Federated Multi-task Distillation for Multi-access Edge Computing
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Zhongguancun Laboratory（中关村实验室）
针对多接入边缘计算中联邦多任务学习的通信开销和模型异构问题，提出FedICT方法，通过双向蒸馏中的先验知识蒸馏和本地知识调整，在多种异构设置下以极低通信开销显著提升精度。
2025-02-27 cs.LG
Generative Adversarial Super-Resolution at the Edge with Knowledge Distillation
Politecnico di Torino（都灵理工大学）；PIC4SeR PoliTo Interdepartmental Center for Service Robotics（PIC4SeR都灵理工大学服务机器人跨部门中心）
本文提出EdgeSRGAN，一种结合知识蒸馏的轻量级生成对抗网络，用于边缘设备上的实时单图像超分辨率，在保持图像质量的同时实现高达200fps的推理速度，并验证了其在移动机器人应用中的优势。
2023-05-09 cs.AI cs.CV cs.LG
Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression
Marconi-Rosenblatt AI/ML Innovation Lab（马可尼-罗森布拉特人工智能/机器学习创新实验室）；ANDRO Computational Solutions, LLC（ANDRO计算解决方案有限责任公司）
未来的通信网络必须解决稀缺的频谱，以适应异构无线设备的广泛增长。无线信号识别对于频谱监测、频谱管理、安全通信等变得越来越重要。因此，边缘上的全面频谱感知有可能成为新兴的超5G网络的关键推动因素。该领域的最新研究（i）仅关注单个任务-调制或信号（协议）分类-在许多情况下，这不足以使系统采取行动，（ii）考虑雷达或通信波形（均匀波形类别），以及（iii）在神经网络设计阶段不解决边缘部署。在这项工作中，我们首次在无线通信领域利用基于深度神经网络的多任务学习（MTL）框架的潜力，同时学习调制和信号分类任务，同时考虑电磁频谱中的雷达和通信波形等异构无线信号。建议MTL架构受益于这两个任务之间的相互关系，在提高分类精度以及学习效率与轻量级的神经网络模型。此外，我们还使用无线收集的样本对模型进行了实验评估，并展示了关于模型压缩的第一手见解以及用于在资源受限的边缘设备上部署的深度学习管道。我们证明了显着的计算，内存和精度的改进，所提出的模型在两个参考架构。除了为资源受限的嵌入式无线电平台建模一个轻量级的MTL模型外，我们还提供了一个全面的异构无线信号数据集供公众使用。
2022-06-18 cs.AI cs.LG eess.SP
Edge AI for Automotive Vulnerable Road User Safety: Deployable Detection via Knowledge Distillation
Department of Electrical and Computer Engineering, Oakland University（奥克兰大学电气与计算机工程系）
本文提出通过知识蒸馏方法，在边缘硬件上部署准确的易损道路使用者检测，通过压缩模型并保持量化鲁棒性，提升检测性能。
2026-04-29 cs.CV cs.LG cs.RO
Towards Characterizing Knowledge Distillation of PPG Heart Rate Estimation Models
University of Washington（华盛顿大学）
本文研究了PPG心率估计模型的知识蒸馏特性，评估了四种蒸馏策略，揭示了模型大小与性能的缩放规律，为边缘设备部署提供了理论支持。
2025-12-08 cs.LG
LLM-driven Knowledge Distillation for Dynamic Text-Attributed Graphs
Futurewei Technologies Inc.（华为未来技术公司）
针对动态文本属性图（DyTAGs）编码时间信息的挑战，提出LLM驱动的知识蒸馏方法LKD4DyTAG，通过边时间编码与LLM文本表示蒸馏，提升下游任务性能。
2025-02-15 cs.LG
A Multi-Prototype-Guided Federated Knowledge Distillation Approach in AI-RAN Enabled Multi-Access Edge Computing System
本文提出了一种多原型引导的联邦知识蒸馏方法，用于解决AI-RAN赋能的多接入边缘计算系统中非独立和相同分布数据的问题，通过引入自我知识蒸馏和多原型策略提升模型性能。
2026-03-10 cs.LG
PQK: Model Compression via Pruning, Quantization, and Knowledge Distillation
Qualcomm Technologies, Inc.（高通技术公司）；Qualcomm AI Research（高通人工智能研究院）
随着边缘设备的普及，在边缘设备上部署深度神经网络（DNN）已成为一个关键问题。然而，DNN需要高计算资源，这对于边缘设备来说是很少可用的。为了解决这一问题，我们提出了一种新的模型压缩方法的设备有限的计算资源，称为PQK的修剪，量化，和知识蒸馏（KD）的过程。与传统的剪枝和KD不同，PQK利用在剪枝过程中修剪的不重要的权重来构建教师网络，用于训练更好的学生网络，而无需预先训练教师模型。PQK有两个阶段。第1阶段利用迭代修剪和量化感知训练来构建轻量级和节能的模型。在第二阶段，我们通过将第一阶段中未使用的不重要权重添加到修剪后的网络来创建教师网络。通过使用这个教师网络，我们训练修剪网络作为一个学生网络。在这样做时，我们不需要KD框架的预先训练的教师网络，因为教师和学生网络共存于同一网络中。我们将我们的方法应用到识别模型中，并验证了PQK在关键字定位（KWS）和图像识别上的有效性。
2021-06-25 cs.LG
The Adversarial Security Mitigations of mmWave Beamforming Prediction Models using Defensive Distillation and Adversarial Retraining
Old Dominion University（欧道明大学）；University of Stavanger（斯塔万格大学）；Norwegian University of Science and Technology（挪威科技大学）；eKare Inc.（eKare公司）
波束成形预测的安全方案的设计对于下一代无线网络（5G、6G及以后）至关重要。然而，关于在这些网络中使用深度学习算法来保护波束成形预测没有共识。本文提出了在6G无线网络中使用深度神经网络（DNN）进行波束成形预测的深度学习中的安全漏洞，该深度学习将波束成形预测视为多输出回归问题。研究表明，初始DNN模型对训练数据的对抗样本扰动敏感，容易受到快速梯度符号法（FGSM）、基本迭代法（BIM）、投影梯度下降法（PGD）和动量迭代法（MIM）等对抗攻击的攻击.该研究还提供了两种缓解方法，如对抗训练和防御蒸馏，用于针对毫米波（mmWave）波束成形预测中使用的基于人工智能（AI）的模型的对抗攻击。此外，所提出的方案可以用于由于训练数据中的对抗性示例而导致数据损坏的情况。实验结果表明，所提出的方法可以有效地保护DNN模型免受下一代无线网络中的对抗攻击。
2022-02-16 cs.AI cs.CR cs.LG
Federated Distillation based Indoor Localization for IoT Networks
Mohammed VI Polytechnic University（穆罕默德六世理工大学）；New York University (NYU) Abu Dhabi（纽约大学阿布扎比分校）；NYU Tandon School of Engineering（纽约大学坦登工程学院）
联邦蒸馏（Federated Distillation，FD）是近年来提出的一种新的联邦学习方法，特别适用于通信资源有限的无线传感器网络。然而，所有国家的最先进的FD算法的设计，只有分类任务和较少的注意力已经回归任务。在这项工作中，我们提出了一个FD框架，正确地操作回归学习问题。之后，我们提出了一个用例实现，提出了一个室内定位系统，显示了良好的权衡通信负载与准确性相比，基于联邦学习（FL）的室内定位。通过我们提出的框架，我们减少了高达98%的传输位数。此外，我们表明，建议的框架是更可扩展的FL，从而更有可能应付无线网络的扩展。
2022-10-11 cs.LG cs.NI eess.SP
Joint Coding and Scheduling Optimization for Distributed Learning over Wireless Edge Networks
与理论上的分布式学习（DL）不同，无线边缘网络上的DL面临无线连接和边缘节点的固有动态/不确定性，使得DL在高度动态的无线边缘网络（例如，使用mmW接口）。本文通过利用编码计算和深度决斗神经网络架构的最新进展来解决这些问题。通过引入编码结构/冗余，可以完成分布式学习任务，而无需等待离散节点。与仅优化代码结构的传统编码计算不同，无线边缘上的编码分布式学习还需要优化具有异构连接、计算能力和离散效应的无线边缘节点的选择/调度。然而，即使忽略上述动态/不确定性，所得到的编码和调度的联合优化，以最大限度地减少分布式学习时间原来是NP-难的。为了解决这个问题，并考虑到无线连接和边缘节点的动态性和不确定性，我们将该问题重新表述为马尔可夫决策过程，然后设计了一种新的深度强化学习算法，该算法采用深度决斗神经网络架构，在没有关于无线环境和边缘节点的显式信息的情况下，为不同的学习任务找到联合最优编码方案和最佳边缘节点集合。离散参数仿真结果表明，与其他DL方法相比，该框架将无线边缘计算中的平均学习延迟降低了66%。本文中的联合优化框架也适用于任何具有异构和不确定计算节点的分布式学习方案。
2021-03-09 cs.AI cs.NI
Toward Multi-Service Edge-Intelligence Paradigm: Temporal-Adaptive Prediction for Time-Critical Control over Wireless
Toshiba Europe Ltd.（东芝欧洲有限公司）；Bristol Research and Innovation Laboratory（布里斯托尔研究与创新实验室）
时间关键的控制应用通常对通信网络提出严格的连接要求。与无线介质相关联的缺陷，诸如分组丢失、同步错误和变化的延迟，对实时控制的性能具有不利影响，通常具有安全隐患。本文介绍了多服务边缘智能作为一种新的范式，实现时间关键的无线控制。它提出了多服务边缘智能的概念，围绕无线接入，边缘计算和机器学习技术的紧密集成，以提供在无线缺陷下的稳定性保证。本文阐述了多业务边缘智能系统设计的一些关键方面。它还提出了一种时间自适应预测技术，以应付动态变化的无线环境。它提供了一个机器人远程操作的情况下的性能结果。最后，讨论了多服务边缘智能的一些开放性研究和设计挑战。
2022-12-12 cs.AI cs.NI
Knowledge Distillation for Mobile Edge Computation Offloading
School of Data and Computer Science, Sun Yat-sen University（中山大学数据与计算机科学学院）
边缘计算卸载允许移动终端设备在边缘服务器上执行计算密集型任务。终端设备可以根据当前网络条件和设备配置文件，在线决定是否将任务卸载到边缘服务器、云服务器或本地执行。在本文中，我们提出了一个基于深度模仿学习（DIL）和知识蒸馏（KD）的边缘计算卸载框架，该框架可以帮助终端设备快速做出细粒度的决策，以在线优化计算任务的延迟。我们将计算卸载问题形式化为多标签分类问题。我们的DIL模型的训练样本以离线方式生成。在模型训练完成后，利用知识蒸馏得到一个轻量级的DIL模型，进一步降低了模型的推理延迟。数值实验表明，该模型所做出的卸载决策在延迟度量上优于其他相关策略。此外，我们的模型在所有策略中具有最短的推理延迟。
2020-04-09 cs.AI cs.DC cs.NI
Optimizing Multi-Gateway LoRaWAN via Cloud-Edge Collaboration and Knowledge Distillation
针对大规模多网关LoRaWAN网络，提出云边协同的HEAT-LDL方法，结合Actor-Critic架构与李雅普诺夫优化，通过云边知识蒸馏提升终端自主决策能力，实验显示其数据包成功率和能量效率分别提升20.5%和88.1%。
2025-04-13 cs.AI cs.NI
Distributed Swarm Learning for Edge Internet of Things
本文提出分布式群体学习（DSL）框架，融合人工智能与生物群体智能，以应对边缘物联网在通信、计算、异构性、安全隐私及非凸优化等方面的挑战，为大规模边缘学习提供高效稳健的解决方案。
2024-03-29 cs.AI cs.LG cs.NI
EdgeML: Towards Network-Accelerated Federated Learning over Wireless Edge
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；Intel Labs（英特尔研究院）；University of Central Florida（中佛罗里达大学）
联邦学习（FL）是一种用于下一代AI系统的分布式机器学习技术，它允许许多工人，即，边缘设备协作学习共享的全局模型，同时将其数据保存在本地以防止隐私泄露。通过无线多跳网络启用FL可以使AI民主化，并以具有成本效益的方式访问它。然而，有噪声的带宽有限的多跳无线连接可能导致延迟和游牧模型更新，这显着降低FL收敛速度。为了应对这些挑战，本文旨在通过优化多跳联合网络性能来加速FL在无线边缘上的收敛。特别地，FL收敛优化问题被公式化为马尔可夫决策过程（MDP）。为了解决这种MDP，开发了多智能体强化学习（MA-RL）算法以及域特定动作空间细化方案，其在线学习延迟最小转发路径以最小化边缘设备之间的模型交换延迟（即，工作人员）和远程服务器。为了验证所提出的解决方案，FedEdge的开发和实施，这是文献中的FL在多跳无线边缘计算网络的第一个实验框架。FedEdge使我们能够在实际无线设备中快速原型化、部署和评估新的FL算法以及基于RL的系统优化方法。最后，在实验平台上进行的实验结果表明，与基于生产级商用无线网络协议BATMAN-Adv的FL系统相比，本文提出的网络加速FL系统能够显著提高FL的收敛速度。
2022-05-31 cs.DC cs.LG cs.NI
Edge Dominating Capability based Backbone Construction in Wireless Networks
构造连通支配集作为虚拟骨干网在无线网络中起着重要的作用。本文分别提出了无线网络中支配集和连通支配集的两种新的近似算法。这两种算法都是基于本文提出的边支配能力的概念。仿真结果表明，提出的算法在密集无线网络中具有良好的性能。
2012-11-12 cs.NI
Whittle Index based Q-Learning for Wireless Edge Caching with Linear Function Approximation
Binghamton University, State University of New York（纽约州立大学宾汉姆顿分校）；Indian Institute of Science（印度科学学院）
我们认为在无线边缘的内容缓存的问题，通过不可靠的无线信道服务于一组终端用户，以尽量减少终端用户所经历的平均延迟，由于有限的无线边缘缓存容量。我们制定这个问题作为一个马尔可夫决策过程，或更具体地说，一个不安分的多武装土匪问题，这是证明很难解决。我们开始调查的折扣对应，并证明它承认一个最优的阈值型政策。然后，我们表明，这一结果也适用于平均延迟问题。使用这个结构的结果，我们建立我们的问题的可索引性，并采用惠特尔指数政策，以尽量减少平均延迟。由于系统参数，如内容请求速率和无线信道条件往往是未知的和时变的，我们进一步开发了一个无模型强化学习算法称为Q ^{+}-Whittle依赖于Whittle索引策略。然而，Q ^{+}-Whittle需要存储所有状态-动作对的Q函数值，其数量对于无线边缘缓存来说可能非常大。为此，我们用一个维数更小的参数化函数类来逼近Q-函数，并进一步设计了一个具有线性函数逼近的Q ^{+}-Whittle算法，称为Q ^{+}-Whittle-LFA。我们给出了Q ^{+}-Whittle-LFA的均方误差的有限时间界。使用真实迹线的仿真结果表明，Q ^{+}-Whittle-LFA产生优异的经验性能。
2023-02-23 cs.LG cs.NI
Returning the Favor: What Wireless Networking Can Offer to AI and Edge Learning
最近，机器学习（ML）和人工智能（AI）对改善无线网络的运营和在边缘建立智能产生了重大影响。作为回报，很少有人努力探索如何适应，优化和安排无线网络可以有助于在边缘实现ML/AI。本文旨在通过设定一个关于无线网络研究人员如何利用他们的专业知识来回报边缘学习的愿景来解决这一空白。它将回顾使能技术，总结这条道路上的开创性工作，并阐明不同的方向，以建立一个全面的移动边缘学习（MEL）框架。
2020-06-12 cs.DC cs.NI
Caching at the Wireless Edge: Design Aspects, Challenges and Future Directions
在无线边缘进行缓存是提高无线系统频谱效率和降低能耗的一种有前途的方法。这些改进源于这样一个事实，即流行的内容被许多用户异步地重用。在这篇文章中，我们首先介绍了预测流行度分布和用户偏好的方法，以及错误信息的影响。然后，我们将讨论缓存系统的两个方面，即内容放置和交付。我们阐述了有线和无线缓存之间的主要区别，并概述了系统中的差异，这些差异来自缓存发生的位置，例如，在基站或在无线设备本身上。特别注意的是在无线缓存的基本限制，和频谱效率，能源效率和缓存大小之间可能的权衡。
2018-10-31 cs.NI
An Analytical Framework for Delay Optimal Mobile Edge Deployment in Wireless Networks
边缘缓存技术的出现为移动用户提供了一种有效的降低服务延迟的方法。然而，由于边缘主机的高部署成本，实际问题是如何在适当的边缘部署策略下实现最小延迟。在这封信中，我们提供了一个分析框架，延迟最佳的移动边缘部署在部分连接的无线网络，其中的请求文件可以缓存在边缘主机和协作传输通过多个基站。为了处理异构传输的要求，我们分离的回程和无线阶段的整个传输，并提出平均用户归一化交付时间（AUDT）的性能指标。最重要的是，我们的特点之间的权衡关系，建议的AUNDT和其他网络部署参数。使用所提出的分析框架，我们能够提供最佳的移动边缘部署策略，这为未来的移动边缘部署提供了一个有用的指导方针。
2020-08-07 cs.NI
Towards an Intelligent Edge: Wireless Communication Meets Machine Learning
University of Hong Kong（香港大学）；Hong Kong University of Science and Technology（香港科技大学）
最近人工智能（AI）的复兴正在彻底改变科学和技术的几乎每一个分支。鉴于无处不在的智能移动设备和物联网（IoT）设备，预计大多数智能应用将部署在无线网络的边缘。这一趋势引起了人们对实现“智能边缘”的强烈兴趣，以支持各种边缘设备上支持AI的应用程序。边缘学习是无线通信和机器学习两个学科交叉的一个新的研究领域。边缘学习的一个主要主题是克服每个边缘设备上有限的计算能力和有限的数据。这是通过利用移动边缘计算（MEC）平台并利用分布在大量边缘设备上的海量数据来实现的。在这样的系统中，从分布式数据中学习和边缘服务器与设备之间的通信是两个关键的耦合方面，它们的融合带来了许多新的研究挑战。本文倡导一套新的边缘学习无线通信设计原则，统称为学习驱动通信。提供了说明性的例子来证明这些设计原则的有效性，并确定了独特的研究机会。
2018-09-02 cs.IT cs.LG cs.NI
Traffic-cognitive Slicing for Resource-efficient Offloading with Dual-distillation DRL in Multi-edge Systems
针对动态多边系统中流量波动与异构资源导致的切片和卸载难题，提出SliceOff框架，结合自注意力流量预测、随机舍入自适应切片及双重蒸馏DRL，提升资源效率与ESP利润。
2024-11-28 cs.NI
Cache-Version Selection and Content Placement for Adaptive Video Streaming in Wireless Edge Networks
无线边缘网络通过在无线网络边缘提供计算和存储资源，有望为移动用户提供更好的视频流服务。然而，由于用户兴趣、用户设备、视频版本或分辨率、缓存大小、网络条件等的多样性，决定将视频内容放置在何处以及移动用户设备应当选择哪个高速缓存和视频版本是具有挑战性的。在本文中，我们研究了无线边缘网络中的自适应视频流的缓存版本选择和内容放置的联合优化。我们提出了实用的分布式算法，在每个用户设备和每个网络缓存，以最大限度地提高整体网络效用。除了证明我们的算法的最优性，我们实现了我们的算法，以及几个基线算法的ndnSIM，一个基于ns-3的命名数据网络模拟器。模拟评估表明，我们的算法显着优于传统的启发式解决方案。
2019-04-09 cs.NI
Federated Learning over Wireless Networks: A Band-limited Coordinated Descent Approach
Arizona State University（亚利桑那州立大学）；Harvard University（哈佛大学）
我们考虑在网络边缘进行联邦学习的多对一无线架构，其中多个边缘设备使用本地数据协作训练模型。无线连接的不可靠性质以及边缘设备处的计算资源的约束，决定了边缘设备处的本地更新应该被精心制作和压缩以匹配可用的无线通信资源，并且应该与接收器协同工作。因此，出于动机，我们提出了基于SGD的带限坐标下降算法，这样的设置。具体地，对于采用空中计算的无线边缘，接收器在每次迭代中选择边缘设备上的梯度更新的k坐标的公共子集，然后在k个子载波上同时发送，每个子载波经历时变信道条件。我们的特点的影响，通信错误和压缩，在所产生的梯度偏差和均方误差，所提出的算法的收敛性。然后，我们研究了学习驱动的通信错误最小化通过联合优化的功率分配和学习率。我们的研究结果表明，在不同的子载波的最佳功率分配应考虑到梯度值和信道条件，从而推广广泛使用的注水政策。我们还开发了次优分布式解决方案服从实施。
2021-02-16 cs.LG cs.NI eess.SP
Spatio-Temporal Federated Learning for Massive Wireless Edge Networks
Mississippi State University（密西西比州立大学）；National Yang Ming Chiao Tung University（阳明交通大学）；Texas Tech University（德克萨斯理工大学）
本文提出了一种新的方法来进行高效的联邦学习（FL）在一个大规模的无线边缘网络，其中一个边缘服务器和众多的移动设备（客户端）共同学习的全球模型，而无需传输大量的数据收集的移动设备到边缘服务器。所提出的FL方法被称为时空FL（STFL），其联合利用来自不同移动设备的学习更新之间的空间和时间相关性，所述不同移动设备被安排在各种训练时期中加入STFL。STFL模型不仅代表了由于数据传输中断而导致的从边缘服务器到移动设备的实际间歇学习行为，而且还具有补偿丢失学习更新的机制，以减轻间歇学习的影响。提出了一个STFL的分析框架，并通过其收敛性能研究了STFL的学习能力。特别是，我们评估了数据传输中断，间歇性学习缓解和数据集的统计异质性对STFL收敛性能的影响。研究结果为基于STFL的无线网络的设计和分析提供了重要的见解。
2022-01-21 cs.LG cs.NI eess.SP
Infectious Probability Analysis on COVID-19 Spreading with Wireless Edge Networks
新型冠状病毒疫情的出现以前所未有的方式挑战并改变了世界。无线网络与边缘计算（即无线边缘网络）的融合为解决这一危机带来了机遇。在本文中，我们的目标是研究传染概率的预测，并提出预防措施，以防止COVID-19的辅助下，无线边缘网络。由于记录的滞留时间和密度的无线边缘网络内的个人的可用性，我们提出了一种基于随机几何的方法来分析个人的感染概率。该方法不需要知道每个个体的位置或轨迹，能够很好地保护系统中个体的隐私。此外，我们还考虑了三种类型的移动模型和个人的静态模型。数值计算结果表明，解析结果与仿真结果吻合较好，从而验证了该模型的准确性。此外，数值结果也提供了许多有见地的影响。其后，我们亦提供多项基于无线边缘网络的COVID-19传播对策。该研究为预测现实环境中的传染风险奠定了基础，并为借助无线边缘网络减少传染病的传播指明了方向。
2022-10-05 cs.CR cs.CY cs.NI
A Novel Node Selection Method in Wireless Distributed Edge Storage Based on SDN and Multi-attribute Decision Model
针对传统边缘分布式存储单因素选节点、无线场景扩展性差的问题，提出基于SDN和SMB的架构与多属性决策节点选择算法，结合5G实现原型，显著提升高负载写入性能，增强扩展性并降低部署成本。
2023-10-09 cs.NI
Wireless Network Intelligence at the Edge
University of Oulu（奥卢大学）；CentraleSupélec（中央理工-高等电力学院）；Université Paris-Saclay（巴黎-萨克雷大学）
在更多数据和计算能力的推动下，最近基于云的机器学习（ML）的突破已经改变了我们生活的方方面面，从人脸识别和医疗诊断到自然语言处理。然而，经典ML在能量、内存和计算资源方面提出了严格的要求，限制了它们在资源受限的边缘设备中的应用。新型智能设备和高风险应用（无人机、增强/虚拟现实、自主系统等），需要一种新的范式变化，要求在无线网络边缘实现分布式、低延迟和可靠的ML（称为边缘ML）。在边缘机器学习中，训练数据不均匀地分布在大量边缘节点上，这些边缘节点可以访问一小部分数据。此外，训练和推理是通过无线链路共同进行的，边缘设备在无线链路上通信和交换它们的学习模型（而不是它们的私有数据）。本文首次探讨了边缘机器学习的关键构建模块、不同的神经网络架构划分及其内在权衡，以及来自广泛数学学科的理论和技术推动因素。最后，介绍了与各种高风险应用相关的几个案例研究，展示了边缘ML在释放5G及更高潜力方面的有效性。
2019-09-11 cs.IT cs.LG cs.NI
Interference Aware Channel Assignmnet Using Edge Coloring in Multi-Channel Multi-Radio Wireless Mesh Networks
近年来，多信道多射频无线网状网络被认为是一种可靠且经济的广域互联网接入方式。在这个网络中的一个主要的研究挑战是从可用信道中选择干扰最小的信道，然后将其有效地分配给无线电。已经开发了许多用于信道分配的算法和方法，以使用正交信道来最大化网络吞吐量。最近的研究和测试床实验证明，基于POC的信道分配允许无线频谱共享的更大灵活性。在本文中，我们表示的信道分配作为一个图边着色问题，使用POC。在为链路分配信道时，为了避免相邻传输的干扰，需要测量信噪比。仿真结果表明，我们提出的方法提高了网络的吞吐量和性能。关键词：无线Mesh网络，多射频，多信道，部分重叠信道，信噪比干扰
2013-11-03 cs.NI
Learning Cooperative Beamforming with Edge-Update Empowered Graph Neural Networks
The University of Hong Kong（香港大学）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Tongji University（同济大学）
协作波束形成技术是现代无线网络中满足日益增长的各种无线数据业务需求的一种有效方法。它被制定为一个优化问题，在传统的方法和迭代解决的一个实例一个实例的方式。最近，基于学习的方法已经出现，通过近似从问题实例到相应的解决方案的映射函数来实时实现。在各种神经网络架构中，图神经网络（GNNs）可以有效地利用无线网络中的图拓扑结构，以实现对未知问题大小的更好的泛化能力。然而，目前的GNNs只配备了节点更新机制，这限制了它建模更复杂的问题，如协作波束成形设计，其中波束成形器位于无线网络的图边缘。为了填补这一空白，我们提出了一个边图神经网络（Edge-GNN），通过将边更新机制纳入GNN，学习图形边缘上的协作波束形成。仿真结果表明，所提出的边缘GNN实现更高的和速率与更短的计算时间比国家的最先进的方法，以及推广到不同数量的基站和用户设备。
2022-11-23 cs.LG cs.NI
An Online Scheduling Algorithm for Energy Minimization in Wireless Powered Mobile Edge Computing Networks
移动边缘计算（MEC）和无线功率传输（WPT）的集成（通常被称为无线供电移动边缘计算（WP-MEC））已被认为是一种有前途的技术，以提高无线设备（WD）的寿命和计算能力。与传统电池供电的MEC网络相比，WP-MEC网络需要同时优化WPT中的资源分配和计算卸载，这给计算调度问题带来了新的挑战。在本文中，我们考虑的WP-MEC网络的多个WD和多个接入点的能量最小化问题。我们设计了一个在线算法，通过将原问题转化为一系列确定性优化问题的基础上李雅普诺夫优化理论。为了降低算法的时间复杂度，优化问题被松弛并分解成几个独立的子问题。在解决每个子问题后，我们调整变量的计算值，以获得一个可行的解决方案。大量的仿真进行验证所提出的算法的性能。
2021-04-22 cs.NI
Bandwidth Allocation for Multiple Federated Learning Services in Wireless Edge Networks
University of Miami（迈阿密大学）
研究了一种联邦学习（FL）系统，其中\textit{multiple} FL服务共存于无线网络中，共享公共无线资源。它填补了现有文献中多个同时FL业务的无线资源分配的空白。我们的方法设计了一个两级资源分配框架，包括\emph{intra-service}资源分配和\emph{inter-service}资源分配。服务内资源分配问题旨在通过优化每个FL服务的客户端之间的带宽分配来最小化FL轮的长度。在此基础上，进一步考虑服务间资源分配问题，其在多个同时FL服务之间分配带宽资源。我们认为合作和自私的FL服务提供商。对于合作FL服务提供商，设计了一种分布式带宽分配算法，以优化多FL服务的整体性能，同时兼顾FL服务间的公平性和客户端的隐私性。针对自私的FL服务提供商，设计了一种新的拍卖方案，FL服务所有者作为投标人，网络提供商作为拍卖人。所设计的拍卖方案在整体FL性能和公平性之间取得了平衡。我们的仿真结果表明，所提出的算法优于其他基准在各种网络条件下。
2021-01-10 cs.LG cs.NI
Multi-Agent RL-Based Industrial AIGC Service Offloading over Wireless Edge Networks
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）；Shanghai Key Laboratory of Integrated Administration Technologies for Information Security（上海信息安全综合管理技术重点实验室）；California Polytechnic State University（加州州立理工大学）
本文提出生成模型驱动的工业AIGC协同边缘学习框架GMEL，通过多任务计算卸载模型和注意力增强多智能体强化学习算法AMARL优化边缘服务器上的异构AIGC任务执行，实验证明其能有效降低系统总时延。
2024-05-05 cs.AI cs.NI
Efficient Radio Resource Management for Wireless Cellular Networks with Mobile Edge Computing
移动边缘计算（MEC）作为一种有前途的方法来增强移动设备的计算能力，引起了极大的兴趣。MEC范例中的一个重要问题是计算卸载。在本文中，我们提出了一个集成的框架，用于在无线蜂窝网络中使用移动边缘计算进行计算卸载和干扰管理。在该集成框架中，MEC服务器根据所有用户设备（UE）估计的本地计算开销和MEC服务器自身估计的卸载开销来做出卸载决策。然后，MEC服务器使用图着色来执行PRB分配。然后，卸载决定和PRB分配的结果用于将MEC服务器的计算资源分配给UE。仿真结果表明，该方案与不同的系统参数的有效性。
2017-06-28 cs.NI
Learning from Peers at the Wireless Edge
最后一英里连接由无线链路主导，其中异构节点共享有限且已经拥挤的电磁频谱。当前基于竞争的分散式无线接入系统本质上是反应性的，以减轻干扰。在本文中，我们建议使用神经网络学习和预测频谱的可用性，在一个合作的方式，使其可用性可以预测具有高精度，以最大限度地提高无线接入和最大限度地减少同时链路之间的干扰。边缘节点具有广泛的感知和计算能力，同时经常使用不同的运营商网络，这些运营商可能不愿意共享他们的模型。因此，我们引入了一个对等的联邦学习模型，其中一个局部模型是根据每个节点的感知结果进行训练，并在其对等体之间共享，以创建一个全局模型。基站或接入点充当集中式参数服务器的需求被授权边缘节点作为本地模型的聚合器并最小化模型传输的通信开销所取代。我们生成无线信道接入数据，用于训练本地模型。局部和全局模型的仿真结果表明，在各种网络拓扑结构中预测信道机会的准确率超过95%。
2020-01-30 cs.NI eess.SP
Tailoring Semantic Communication at Network Edge: A Novel Approach Using Dynamic Knowledge Distillation
针对异构资源受限边缘设备，本文提出基于动态知识蒸馏的 SemCom 框架，通过自适应优化按设备资源定制语义模型，在不稳定网络下降低复杂度并保障 QoS。
2024-01-18 cs.NI
C-POD: An AWS Cloud Framework for Edge Pod Automation and Remote Wireless Testbed Sharing
University of Minnesota-Twin Cities（明尼苏达大学双城分校）；University at Buffalo（布法罗大学）
C-POD是一种基于AWS的云框架，通过自动化边缘容器部署和远程无线测试床共享，降低OTA实验门槛，提升实验灵活性和可扩展性。
2026-02-15 cs.NI eess.SP
Delay-Optimal Distributed Edge Computing in Wireless Edge Networks
分布式边缘计算（DEC）通过将边缘计算与并行计算相结合，利用边缘网络中的分布式设备并行执行计算，可以大幅降低服务延迟。在本文中，我们探讨DEC，利用分布式边缘设备连接的无线网络来执行计算任务卸载从终端设备。特别是，我们研究的基本问题，最大限度地减少执行分布式算法的计算任务的延迟。首先，我们建立了一些最优通信调度策略的结构特性。然后，给出了这些属性，我们的最优计算分配策略，它可以找到一个有效的算法。其次，基于最优计算分配，我们描述了一些特殊情况下的通信的最优调度顺序，并开发了一个有效的算法与有限的逼近比，以找到它的一般情况。最后，基于最优的计算分配和通信调度，我们进一步证明了在某些特殊情况下，可以有效地找到最优的设备选择。我们的研究结果提供了一些有用的见解，最佳的计算通信协同设计。我们使用模拟的理论研究结果的性能进行评估。
2020-02-07 cs.DC cs.NI
EdgeSlice: Slicing Wireless Edge Computing Network with Decentralized Deep Reinforcement Learning
5G和边缘计算将服务于各种新兴用例，这些用例对多种资源有不同的要求，例如，无线电、交通和计算机。网络切片是一种很有前途的技术，用于创建虚拟网络，可以根据不同用例的要求进行定制。调配网络切片需要端到端的资源编排，这是一项挑战。在本文中，我们设计了一个分散的资源编排系统命名为EdgeSlice的动态端到端网络切片。EdgeSlice引入了一种新的去中心化深度强化学习（D-DRL）方法，以有效地编排端到端资源。D-DRL由一个性能协调器和多个编排代理组成。性能协调器管理所有编排代理中的资源编排策略，以确保网络切片的服务水平协议（SLA）。编排代理学习网络切片的资源需求，并相应地编排资源分配，以在受限的网络和计算资源下优化切片的性能。我们设计了无线电，传输和计算管理器，使端到端的资源在运行时的动态配置。我们在端到端无线边缘计算网络的原型上实现了EdgeSlice，该网络具有OpenAirInterface LTE网络，OpenDayLight SDN交换机和CUDA GPU平台。EdgeSlice的性能通过实验和跟踪驱动的模拟进行评估。测试结果表明，EdgeSlice在性能、可扩展性、兼容性等方面都比基线有了很大的提高。
2020-03-28 cs.NI
The Interplay of Reconfigurable Intelligent Surfaces and Mobile Edge Computing in Future Wireless Networks: A Win-Win Strategy to 6G
可重构智能表面（RIS）授权通信被认为是第六代（6G）无线网络的使能技术。RIS辅助通信的关键思想是增强现代无线网络的容量、覆盖范围、能源效率、物理层安全性和许多其他方面。与此同时，移动边缘计算（MEC）已经通过将独立云服务器的计算、通信和缓存功能扩展到网络边缘来展示其巨大的潜力。在本文中，我们首先概述了MEC和RIS如何相互受益。我们设想MEC和RIS的集成将为无线网络的未来发展带来前所未有的转变。我们提供了一个系统级的观点，MEC辅助RIS（和RIS辅助MEC），将无线网络向6G发展。我们还概述了一些基本的挑战，涉及到MEC辅助RIS（和RIS辅助MEC）网络的实施。最后，讨论了RIS辅助MEC的关键研究方向。
2021-05-13 cs.ET cs.IT cs.NI
Ainur: A Framework for Repeatable End-to-End Wireless Edge Computing Testbed Research
在过去的十年中，结合边缘和云计算的无线网络的实验研究一直是爆炸性兴趣的主题。这种发展是由现代无线技术日益复杂以及通过开放无线电接入网络（O-RAN）等项目进行的广泛软件化所推动的。在这种背景下，出现了许多中小型测试平台，它们采用各种技术来针对诸如5G和超越5G的新型移动通信技术的背景下的各种用例和场景。然而，很少有人致力于开发一个无线测试平台自动化的标准框架，该框架与硬件无关，并与边缘和云原生技术兼容。这样的解决方案将通过完全或部分消除对定制管理和编排软件的需求来简化新测试平台的开发。在本文中，我们提出了第一个这样的硬件不可知的无线测试平台自动化框架，Ainur。它旨在从端到端的角度配置、管理、协调和部署工作负载。Ainur构建在Docker等云原生技术之上，并通过GitHub上的KTH-EXPECA/Ainur存储库作为FOSS提供给社区。我们展示了一系列的情况下，特别是展示其灵活性的物理链路定义，计算位置，和自动化的任意复杂的实验场景的平台的实用程序。
2022-05-31 cs.NI
Wireless Edge Computing with Latency and Reliability Guarantees
边缘计算是一个新兴的概念，基于更接近终端网络节点的分布式计算，存储和控制服务。边缘计算是第五代（5G）无线系统及以后的核心。虽然当前最先进的网络以集中方式（在云端）通信、计算和处理数据，但对于延迟和以计算为中心的应用，无线电接入和计算资源必须更接近边缘，利用终端设备附近的支持计算和存储的小型小区基站的可用性。此外，网络基础设施必须支持分布式边缘决策服务，该服务能够学习以最小的延迟适应网络动态，并相应地优化网络部署和操作。本文将通过首先讨论网络边缘必须提供的应用程序来重新审视边缘计算的概念，并特别强调为虚拟现实（VR），车辆到一切（V2X），边缘人工智能（AI）等关键任务应用程序实现超可靠和低延迟边缘计算服务所面临的挑战。此外，几个案例研究的优势是关键的探讨，其次是见解和未来的工作前景。
2019-05-13 cs.NI eess.SP
Adaptive Early Exiting for Collaborative Inference over Noisy Wireless Channels
Imperial College London（帝国理工学院）
本文针对无线边缘协作推理提出基于传输决策机制的提前退出方法，根据提前退出信息和信道条件决定是否传输数据，实验证明可在图像分类任务中同时提升性能并显著节省通信开销。
2023-11-29 cs.IT cs.LG cs.NI
Caching Scalable Videos in the Edge of Wireless Cellular Networks
通过将流行视频预取到边缘节点的本地缓存中，无线边缘缓存提供了减少重复内容交付的有效手段。为了满足多媒体用户的各种观看质量要求，可伸缩视频编码（SVC）与边缘缓存相结合，其中可伸缩视频的组成层被灵活地缓存并传输给用户。在这篇文章中，我们讨论了可伸缩视频的不同内容流行度和各种观看要求所带来的挑战，并提出了不同类型的缓存内容以及相应的传输方案。我们提供了现有的缓存方案的概述，并总结了缓存决策的标准。然后，提出了一个案例研究，其中的传输延迟被量化，并作为性能指标。仿真结果证实，承认最终用户的现实要求是能够显着降低内容传输延迟，相比现有的缓存方案，没有SVC操作。实验结果也验证了所提出的随机缓存方案的传输延迟低于只提供本地缓存增益的缓存方案。
2022-07-28 cs.NI
FlowBazaar: A Market-Mediated Software Defined Communications Ecosystem at the Wireless Edge
无线接入网络的主要用途是用于媒体流应用，随着越来越多的设备变得可用于此目的，媒体流应用才越来越流行。然而，当前的接入网络同等地对待所有分组，并且缺乏确定在给定时间哪些客户端最需要服务的灵活性。网络设备的软件可重配置性已经被广泛采用，这反过来意味着现在可以在接入网络上实例化敏捷控制策略。这项工作的目标是设计，开发和演示FlowBazaar，这是一种基于市场的方法，可以创建从应用程序到可重新配置基础设施上运行的算法的价值链，以便应用程序能够获得必要的资源以实现最佳性能。以YouTube视频流为例，我们说明了FlowBazaar如何能够自适应地提供这些资源，并在无线接入点为所有客户端实现高QoE。
2019-01-24 cs.NI
Spanning Trees With Edge Conflicts and Wireless Connectivity
我们引入的问题，找到一个生成树，以及一个分区的树边缘成最少数量的可行集，在边缘上的约束定义的可行性。动机来自无线网络，我们试图模拟在实际无线环境中看到的不规则性。并非所有节点对都能够通信，即使在地理上接近--因此，可用的节点对使用链路图$\mathcal{L}=(V,E)$建模。此外，信号衰减不需要遵循精确的几何公式-因此，干扰由链路上的冲突（超）图$\mathcal{C}=(E,F)$建模。我们的目标是最大限度地提高通信的效率，或者等价地最小化着色形式的树边的调度的长度。我们发现，尽管这一切的一般性，问题可以近似线性方面的一个多功能的参数，感应独立的干扰图。具体地说，我们给出了一个简单的算法，达到了$O(ρ\log n)$ -近似，其中$n$是节点的数量和$ρ$是归纳的独立性，并表明近线性依赖$ρ$也是必要的。我们还处理扩展到斯坦纳树，建模多播，并获得了可比的结果。我们的研究结果表明，几个典型的假设的几何形状，规律性和“尼斯”在无线设置有时可以放松算法性能没有显着的打击。
2018-03-12 cs.DS cs.NI
ncsim: A Lightweight Simulator for Networked Edge Computing with Wireless Interference Modeling
University of Southern California（南加州大学）；Loyola Marymount University（洛约拉马利蒙特大学）
ncsim通过结合DAG工作流调度与物理基础的IEEE 802.11 CSMA/CA干扰建模，解决无线边缘计算中计算放置与干扰建模的耦合问题，实验显示干扰影响显著导致调度器排名反转。
2026-09-06 cs.DC cs.NI
