講演名 | 2023-01-19 [ショートペーパー]Split Computingに向けた無線LANと機械学習モデルの同時最適化 依田 光仁(東工大), 西尾 理志(東工大), 依田 大輝(東芝), 鍋谷 寿久(東芝), |
---|---|
PDFダウンロードページ | PDFダウンロードページへ |
抄録(和) | SC (Split computing)はML (Machine learning)モデルによる推論をリソースに制約のあるデバイスとエッジサーバで協調的に行う技術である.しかしSCは狭帯域でパケットロスが多い無線ネットワーク上で実施すると,推論精度を保つために高信頼な通信パラメータでパケットを送信することが必要となり,通信のボトルネックにより処理遅延が増大してしまう.本稿では,この推論精度と通信遅延のトレードオフを解決するために,物理伝送レートなどの無線通信パラメータとMLモデルの同時最適化を提案している.提案手法では,推論に関してパケットロス耐性のあるMLモデルを利用し,通信において再送を制限したり高い物理伝送レートを用いることで,信頼性を下げる,つまりパケットロス率を上げる代わりに通信遅延を低減する.具体的には,パラメータの選択をMAB(Multi-armed bandit)問題としてモデル化し,UCBアルゴリズムにより,使用する無線通信パラメータとMLモデルを同時に最適化する.ns3を用いた評価により,SCの推論精度を高めつつ,通信遅延低減でき,トレードオフを解決できることを示した. |
抄録(英) | Split computing (SC) enables machine learning (ML) inference with a deep neural network on resource-constrained devices. However, a narrow-bandwidth and lossy wireless network can become a bottleneck, thereby increasing communication latency in SC due to retransmission and the use of lower physical transmission rate. To solve this trade-off between communication latency and inference accuracy, this paper studies a joint control of the wireless communication parameters (e.g., transmission rate, retransmission limit) and ML model to reduce communication latency and improve inference accuracy. The proposed method focuses on the packet-loss tolerance of ML inference and uses unreliable (i.e., high packet-loss rate) but low-latency communication protocol. To achieve a well-balanced trade-off between communication latency and inference accuracy, the proposed method jointly controls wireless communication parameters affecting the reliability and communication latency and ML model architecture affecting inference accuracy and packet-loss reliance, based on multi-armed bandit (MAB) algorithm, namely upper confidence bound (UCB) algorithm. The results of ns3-based computer simulations show that the proposed method reduces communication latency and improves inference accuracy. |
キーワード(和) | 分散推論 / 同時制御 / 機械学習 / 無線LAN / 強化学習 |
キーワード(英) | Split computing / Joint control / Machine learning / Wireless LAN / Reinforcement Learning |
資料番号 | SeMI2022-77 |
発行日 | 2023-01-12 (SeMI) |
研究会情報 | |
研究会 | SeMI |
---|---|
開催期間 | 2023/1/19(から2日開催) |
開催地(和) | 鳴門グランドホテル海月 |
開催地(英) | Naruto grand hotel |
テーマ(和) | センシング,モビリティ,モバイル・ユビキタスコンピューティング,センサ・アドホック・モバイルネットワーク,アプリケーション,一般 |
テーマ(英) | |
委員長氏名(和) | 山本 高至(京大) |
委員長氏名(英) | Koji Yamamoto(Kyoto Univ.) |
副委員長氏名(和) | 門田 和也(日立) / 大和田 泰伯(NICT) / 猿渡 俊介(阪大) |
副委員長氏名(英) | Kazuya Monden(Hitachi) / Yasunori Owada(NICT) / Shunsuke Saruwatari(Osaka Univ.) |
幹事氏名(和) | 勝間田 優樹(NTTドコモ) / 中山 悠(東京農工大) / 内山 彰(阪大) |
幹事氏名(英) | Yuki Katsumata(NTT DOCOMO) / Yu Nakayama(Tokyo Univ. of Agri. and Tech.) / Akira Uchiyama(Osaka Univ.) |
幹事補佐氏名(和) | 松田 裕貴(奈良先端大) / 田谷 昭仁(青学大) / 平井 健士(阪大) |
幹事補佐氏名(英) | Yuki Matsuda(NAIST) / Akihito Taya(Aoyama Gakuin Univ.) / Takeshi Hirai(Osaka Univ.) |
講演論文情報詳細 | |
申込み研究会 | Technical Committee on Sensor Network and Mobile Intelligence |
---|---|
本文の言語 | JPN |
タイトル(和) | [ショートペーパー]Split Computingに向けた無線LANと機械学習モデルの同時最適化 |
サブタイトル(和) | |
タイトル(英) | [Short Paper] A Study of Joint Control Method of Wireless LAN and Machine Learning Settings for Communication-efficient Split Computing |
サブタイトル(和) | |
キーワード(1)(和/英) | 分散推論 / Split computing |
キーワード(2)(和/英) | 同時制御 / Joint control |
キーワード(3)(和/英) | 機械学習 / Machine learning |
キーワード(4)(和/英) | 無線LAN / Wireless LAN |
キーワード(5)(和/英) | 強化学習 / Reinforcement Learning |
第 1 著者 氏名(和/英) | 依田 光仁 / Kojin Yorita |
第 1 著者 所属(和/英) | 東京工業大学(略称:東工大) Tokyo Institute of Technology(略称:Tokyo Tech) |
第 2 著者 氏名(和/英) | 西尾 理志 / Takayuki Nishio |
第 2 著者 所属(和/英) | 東京工業大学(略称:東工大) Tokyo Institute of Technology(略称:Tokyo Tech) |
第 3 著者 氏名(和/英) | 依田 大輝 / Daiki Yoda |
第 3 著者 所属(和/英) | 東芝(略称:東芝) Toshiba(略称:Toshiba) |
第 4 著者 氏名(和/英) | 鍋谷 寿久 / Toshihisa Nabetani |
第 4 著者 所属(和/英) | 東芝(略称:東芝) Toshiba(略称:Toshiba) |
発表年月日 | 2023-01-19 |
資料番号 | SeMI2022-77 |
巻番号(vol) | vol.122 |
号番号(no) | SeMI-341 |
ページ範囲 | pp.28-29(SeMI), |
ページ数 | 2 |
発行日 | 2023-01-12 (SeMI) |