发表机构
Faculty of Computer Science, Dalhousie University; LISN, Université Paris-Saclay（达尔豪斯大学计算机科学学院; 巴黎萨克雷大学 LISN）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出信道感知的语义分割推理，通过感知节点发送语义报告、边缘服务器完成识别，并证明中间分割方案在准确性与成本间取得最佳权衡。
AI 中文摘要
远程自动调制识别需要在感知节点复杂度、上报成本和准确性之间取得平衡。为解决这一权衡问题，我们提出了信道感知的语义分割推理：感知节点通过噪声链路发送语义报告，边缘服务器完成识别。在我们的模型中，分割深度和报告长度是独立的设计变量，并通过信道进行端到端训练。我们将所提出的设计分别与在边缘服务器或感知节点上运行推理的基本分割方案，以及一种最先进的协作方案进行了比较。我们评估了感知节点模型大小、计算量、延迟和能量消耗与识别准确性的关系。结果表明，中间分割方案在准确性与成本之间取得了最佳权衡。
英文摘要
Remote automatic modulation recognition balances sensing-node complexity, reporting cost and accuracy. To address this trade-off, we propose channel-aware semantic split inference: a sensing node sends a semantic report over a noisy link and the edge server completes recognition. In our model, split depth and report length are independent design variables, with end-to-end training through the channel. We compare the resulting design against basic split placements, which run inference at the edge server or at the sensing node, and against a state-of-the-art collaborative scheme. We assess sensing-node model size, computation, latency and energy against recognition accuracy. We show that intermediate splits give the best accuracy-cost trade-off.
