Computation Offloading and Resource Allocation for Deep Neural Network Inference in UAV Wireless Networks
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAVs) can be equipped with relatively strong servers so they can collaboratively perform inference for pre-trained Deep Neural Networks (DNNs), enabling complex recognition tasks based on onboard sensing data such as image and video. Such the collaborative inference is critical for applications where ground communications and computing infrastructure is not available, not secure or costefficient such as those for military, disaster recovery and rescue. Collaborative DNN inference in the UAV wireless network, is, however, challenging because one must decide how the computation load related to different layers of the DNN is distributed among UAVs and how to efficiently allocate both radio and computing resources to facilitate the underlying offloading process. To this end, we formulate the joint DNN layer assignment, radio and computing resource allocation problem as an optimization problem which aims to minimize the total inference latency. To solve this difficult mixed integer and non-linear problem, we employ an alternating optimization technique and develop an efficient algorithm, named LARA. Numerical studies show that LARA performs very well in different studied scenarios and achieves up to 80 % improvement in terms of inference latency compared to other baselines which perform DNN layer assignment and resource allocation in a heuristic manner. Furthermore, LARA achieves up to 43.17 % improvement compared to OULD [13] framework.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».