研究论文

面向多任务边缘AI推理的感知-通信-计算去中心化融合

核心结论：本文提出了一种面向多任务边缘AI推理的去中心化感知-通信-计算一体化框架。研究背景是无人机群、协同自动驾驶等去中心化场景中，设备需部署不同模型完成多种推理任务，并通过D2D链路共享特征。传统方案依赖中心化协调节点且采用串行特征聚合，导致通信时延与设备数线性相关。为此，论文引入全双工空中计算技术，使所有设备在同一频段同时收发信号，在空中直接聚合特征向量以减少传输时延。系统采用OFDM多载波传输特征向量，并设计子载波分配策略，将更重要的特征元素分配至信道质量更优的子载波上，以最大化判别增益。判别增益基于对称KL散度，用于量化特征分布可分性并直接服务于分类精度。针对子载波分配与波束赋形的紧耦合问题，论文构建了混合整数非线性分式和优化问题，提出基于二次变换与加权二分图匹配的交替优化算法，将子载波分配建模为加权二分图匹配问题，并利用二次变换处理分式规划以迭代更新感知功率、组播波束赋形向量和接收波束赋形向量。仿真表明，该方法在多任务推理精度上优于传统SCA算法，且在低特征维度下能有效平衡多任务间的性能权衡。论文发表于2025年11月的IEEE Transactions on Wireless Communications。第一作者为复旦大学硕士生Chenye Wang，通讯作者为上海科技大学助理教授Dingzhu Wen。

核心要点
  1. 本文研究去中心化网络中的多任务边缘AI推理，解决传统ISCC设计依赖中心化协调节点、不适用于无人机群和协同自动驾驶等场景的问题。
  2. 提出基于全双工空中计算的特征聚合方案，使所有设备在同一频段同时收发信号，在空中直接完成特征向量的聚合，以降低通信时延。
  3. 采用OFDM多载波传输特征向量，并设计子载波分配策略，将更关键的特征元素分配至信道质量更好的子载波上，以最大化基于对称KL散度的判别增益。
  4. 针对子载波分配与波束赋形的紧耦合关系，构建混合整数非线性分式和的多目标优化问题，并设计基于二次变换与加权二分图匹配的交替优化算法进行求解。
  5. 仿真结果验证了提出的方案在多任务推理精度上优于传统SCA算法，且在特征维度较低的情况下仍能有效平衡多个任务的性能。
  6. 该研究成果已于2025年11月发表在IEEE Transactions on Wireless Communications，作者团队包括来自复旦大学、上海科技大学和Clemson大学的研究人员。
在边缘AI正从理论走向大规模分布式部署的当下，这篇来自复旦与上海科大的论文切中了一个关键痛点：当中心化协调难以为继时，如何让无人机群或自动驾驶车队等去中心化设备高效协同完成AI推理。文中将全双工空中计算、OFDM子载波分配与混合整数非线性优化融为一体的工程思路，不仅提出了理论框架，更通过仿真证明了其对传统方案的精度优势。对于关注分布式AI系统设计、多智能体协同优化的工程师和研究者而言，这篇文章提供了一个将物理层通信机制与AI推理任务深度绑定的前沿案例，极具参考价值。

本文研究去中心化网络中的多任务边缘AI推理，解决传统ISCC设计依赖中心化协调节点、不适用于无人机群和协同自动驾驶等场景的问题。

—— 络石智能编辑部 · 编辑推荐

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。

  1. 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。

  1. 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。

标签

边缘AI推理去中心化网络全双工空中计算OFDM子载波分配波束赋形ISCC混合整数非线性规划二分图匹配二次变换

相关主题

Chenye WangDingzhu WenZeming ZhuangYuanming ShiXin WangFudan UniversityShanghaiTech UniversityClemson UniversityIEEE Transactions on Wireless CommunicationsFull-Duplex AirCompOFDMDiscriminative GainSequential Convex ApproximationDecentralized Multi-Task ISCC

专家点评

本文由编辑团队收录整理，内容来源于公开信息，仅供参考。

常见问题

这篇论文提出的去中心化ISCC框架相比传统方案的主要优势是什么？
该框架专为无人机群、协同自动驾驶等去中心化场景设计，不再依赖中心化协调节点。其核心优势在于利用全双工空中计算实现单跳空中特征聚合，将通信时延从与设备数的线性关系降至常数级；同时通过OFDM子载波分配将通信资源调度直接对齐AI推理的判别增益指标，实现了感知、通信与计算的深度耦合优化，仿真显示推理精度优于传统SCA算法。
论文中如何处理子载波分配和波束赋形的联合优化问题？
该问题被构建为混合整数非线性分式和的复杂优化模型。为解决这个非凸且变量紧耦合的难题，作者提出了一种交替优化算法：将子载波分配建模为加权二分图匹配问题，通过图论模型求解离散变量；同时利用二次变换处理分式目标函数中的连续变量部分，交替迭代优化感知功率、组播波束赋形向量和接收波束赋形向量，直至收敛到高性能解。
这篇论文发表在哪个期刊上？主要作者来自哪些机构？
这篇论文于2025年11月发表在IEEE Transactions on Wireless Communications这一通信领域的顶级期刊上。主要作者包括复旦大学硕士生Chenye Wang（第一作者）、上海科技大学助理教授Dingzhu Wen（通讯作者），以及来自Clemson大学的Zeming Zhuang博士、上海科技大学的Yuanming Shi教授和复旦大学的Xin Wang教授。

相关文章

TATIANA CHIARINI

本文为 Tatiana Chiarini 的职业档案，展示了从技术专家到 AI 解决方案管理者的典型职业发展路径。Tatiana Chiarini 现任 C3 AI 的 AI Solutions Manager，负责与财富 500 强客户合作，推动 AI 和机器学习解决方案的落地实施。她于 1998 年至 2002 年在 University of Pennsylvania 获得计算机科学学士学位，随后于 2002 年至 2004 年在 Clemson University 获得数据科学硕士学位。职业生涯早期，她在 Palantir Technologies 担任过多个技术职务，包括数据分析师、产品支持工程师，并最终担任 Forward Deployment Engineer 长达 6 年（2012-2018），负责在客户现场部署和集成 Palantir 的软件解决方案，积累了丰富的软件工程、系统集成和客户支持经验。2018 年加入 C3 AI 后，她先担任 QA Machine Learning Engineer 负责模型推理服务的监控与故障排除，后于 2022 年晋升为 AI Solutions Manager，领导跨职能团队（包括数据科学家、解决方案工程师和应用工程师）创建可投入生产的 AI/ML 应用。其职业生涯总经验超过 22 年，深度覆盖人工智能、机器学习、数据分析和项目管理，体现了从一线部署工程师向解决方案管理岗转型的实践路径。

阅读全文 →

使用 Mandol 消除碎片化内存：一个开源…

本文介绍了中国科学院软件研究所与合著者提出的开源Agent记忆系统Mandol，旨在解决大语言模型（LLM）智能体在长期、多任务协作中面临的记忆碎片化和跨库查询延迟高的问题。传统系统依赖向量数据库、图数据库和关系型数据库的异构组合，导致信息表示割裂、检索噪声大且不稳定。Mandol的核心创新在于通过凝聚式的内存原生架构，将异构存储坍缩为统一设计。其三大关键技术包括：1) 层次化记忆模型，通过基础记忆层和高阶抽象记忆层并建立双向链接，确保推理可追溯至原始对话；2) 内存原生语义数据结构SemanticMap和SemanticGraph，融合键值存储、向量索引和图遍历，提供原子混合检索算子，消除跨库通信开销；3) 智能量化检索，在不调用大模型的情况下，通过自适应路由和内部量化在限定Token预算内生成高质量上下文。在LoCoMo和LongMemEval基准评测中，Mandol使用GPT-4.1-mini和GPT-4o-mini分别取得92.21%和88.40%的最高准确率。使用Qwen3-Embedding-0.6B等轻量级后端时，性能仍超越大模型基线，且Token消耗降低17.4%-20.0%。性能方面，在NVIDIA H800服务器上，平均检索延迟仅82.2ms，插入延迟39.7ms，比最快基线快约5倍。在消费级NVIDIA RTX 5090笔记本上也实现了低延迟，总处理时间降至竞争系统的1/4至1/10，展示了强大的边缘部署能力。

阅读全文 →

LLMOps 实战：设计、部署和管理高级聊天机器人的框架

本文是一篇系统文献综述（SLR），分析了39篇关于基于大语言模型（LLM）的聊天机器人实现的研究，旨在总结架构、框架、最佳实践和评估指标。研究探讨了六个关键问题，识别出常见的架构模式，包括客户端-服务器架构和检索增强生成（RAG），并列举了广泛使用的模型，如GPT家族、BERT、LLaMA和Mistral等开源模型。论文评估了这些模型在不同领域的表现，强调微调、提示工程和嵌入技术对准确性和领域相关性的影响。关键评估指标涵盖准确性、用户满意度、内容质量、安全性和效率。伦理方面的讨论包括数据治理、偏见缓解和公平审计，以确保负责任地部署LLM聊天机器人。最后，综述分析了性能、成本效率和可扩展性之间的权衡，为未来的LLM聊天机器人应用研发提供了一个综合框架。文章发表在IEEE Transactions on Knowledge and Data Engineering期刊上，作者为Eindhoven University of Technology的Willem Jan Van Den Heuvel，属于LLMOps领域的学术贡献。

阅读全文 →

Lambada：无集中信任的机密函数链自动缩放

本文提出了Lambada，一个无需集中化信任即可实现自动扩缩容的机密函数链平台，发表于ACM会议，获美国国家科学基金会（NSF）资助（项目编号2348130）。针对现有机密FaaS（功能即服务）系统依赖可信密钥配置飞地（Enclave）进行自动扩缩容，导致单点妥协风险的问题，Lambada基于Intel SGX（软件保护扩展）安全硬件飞地，扩展了Knative无服务器框架，使每个函数实例在SGX飞地内独立生成自身密钥，并通过代理重加密（Proxy Re-Encryption, PRE）技术在不暴露明文的情况下将数据安全路由至副本。该方案将经过证明的飞地视为主体，将PRE密钥视为能力（Capability），以此强制执行工作流策略，规定谁可以解密数据及解密顺序，即使在不可信的FaaS平台上也能保障机密性。实验原型显示，与使用共享RSA密钥的集中式机密基线系统相比，Lambada增加的延迟仅为1.55至1.83倍，同时完整保留了自动扩缩容支持。该内容将于2027年7月8日对公众开放获取。

阅读全文 →