面向多任务边缘AI推理的感知-通信-计算去中心化融合

2026-08-10

标题：面向多任务边缘AI推理的感知-通信-计算去中心化融合

面向多任务边缘AI推理的感知-通信-计算去中心化融合

作者：

Chenye Wang, Zeming Zhuang, Dingzhu Wen, Yuanming Shi, Xin Wang

文章链接：https://ieeexplore.ieee.org/document/11223694

摘要

摘要

本文研究了去中心化网络中的多任务推理系统，通过子载波分配与波束成形的联合优化，实现了通信、感知与计算的深度融合。

1. 研究背景与动机

随着智能服务的普及，在网络边缘部署训练好的AI模型进行协同推理已成为一种趋势。然而，现有的ISCC设计高度依赖集中式协调节点，不适用于无人机集群或协作式自动驾驶等去中心化场景。在这些场景中，每个设备需要部署不同的模型以完成各种推理任务。此外，设备需要通过D2D（设备到设备）链路共享特征。传统的顺序特征聚合方法会导致通信时延随设备数量线性增长。同时，在边缘AI任务中，感知、通信和计算过程紧密耦合，忽视这种耦合机制会严重限制推理性能。

2. 本文贡献

本文提出了一种面向多任务协同推理的去中心化集成感知-通信-计算框架。

（1）全双工AirComp：

为降低通信时延，本文采用全双工通信技术，使所有设备能在同一频段同时发送和接收信号。利用AirComp技术，设备直接在空气中聚合来自其他节点的特征向量，从而减少传输时延。

图1：去中心化多任务ISCC系统架构示意图

图2：传统串行架构

（2）OFDM宽带传输与子载波分配：

本文采用OFDM多载波传输特征向量，将不同的特征元素分配给不同的子载波。提出了一种子载波分配策略，确保更重要的特征元素被分配到信道质量更好的子载波上，从而最大化推理精度。本文以判别增益为优化目标，基于对称KL散度，更好地量化特征分布的可分离性，直接服务于分类精度。

（3）优化问题与求解算法：

为最大化所有任务的判别增益同时抑制全双工自干扰，本文构建了一个多目标优化问题。该问题是一个混合整数非线性求和比问题，涉及子载波分配（离散变量）与波束成形（连续变量）的紧耦合，目标函数高度非凸。本文采用交替最大化算法，提出了一种基于二次变换和加权二分图匹配的交替优化算法，包括子载波分配：利用图论模型，将子载波分配问题转化为加权二分图匹配问题；联合功率与波束成形设计：利用二次变换处理分式规划问题，解耦非凸目标函数并将其转化为一系列凸优化子问题，迭代更新感知功率、多播波束成形向量和接收波束成形向量。最后，仿真验证了所提方法相比传统SCA（序列凸近似）算法能获得更好的多任务推理精度，即使在特征维度较低的情况下，该方案也能有效平衡多个任务之间的性能权衡。

3. 结论

本文于2025年11月发表在IEEE Transactions on Wireless Communications上；具体细节请参阅论文。

本文第一作者为复旦大学硕士研究生Chenye Wang，通讯作者为上海科技大学助理教授Dingzhu Wen。特别感谢所有合作者：克莱姆森大学的Zeming Zhuang博士、上海科技大学的Yuanming Shi教授以及复旦大学的Xin Wang教授，感谢他们对本研究作出的重要贡献。