ترجمه فارسی مقاله INR باقیمانده: یادگیری کارآمد ارتباطی روی دستگاه با استفاده از نمایش عصبی ضمنی

چکیده

Edge computing is a distributed computing paradigm that collects and processes data at or near the source of data generation. The on-device learning at edge relies on device-to-device wireless communication to facilitate real-time data sharing and collaborative decision-making among multiple devices. This significantly improves the adaptability of the edge computing system to the changing environments. However, as the scale of the edge computing system is getting larger, communication among devices is becoming the bottleneck because of the limited bandwidth of wireless communication leads to large data transfer latency. To reduce the amount of device-to-device data transmission and accelerate on-device learning, in this paper, we propose Residual-INR, a fog computing-based communication-efficient on-device learning framework by utilizing implicit neural representation (INR) to compress images/videos into neural network weights. Residual-INR enhances data transfer efficiency by collecting JPEG images from edge devices, compressing them into INR format at the fog node, and redistributing them for on-device learning. By using a smaller INR for full image encoding and a separate object INR for high-quality object region reconstruction through residual encoding, our technique can reduce the encoding redundancy while maintaining the object quality. Residual-INR is a promising solution for edge on-device learning because it reduces data transmission by up to 5.16 x across a network of 10 edge devices. It also facilitates CPU-free accelerated on-device learning, achieving up to 2.9 x speedup without sacrificing accuracy. Our code is available at: https://github.com/sharclab/Residual-INR.

چکیده به فارسی (ترجمه ماشینی)

محاسبات Edge یک الگوی محاسباتی توزیع شده است که داده ها را در یا در نزدیکی منبع تولید داده جمع آوری و پردازش می کند.یادگیری در دستگاه در Edge به ارتباطات بی سیم دستگاه به دستگاه متکی است تا به اشتراک گذاری داده های در زمان واقعی و تصمیم گیری مشترک در بین دستگاه های مختلف تسهیل شود.این به طور قابل توجهی سازگاری سیستم محاسبات لبه را با محیط های در حال تغییر بهبود می بخشد.با این حال ، با افزایش مقیاس سیستم محاسبات Edge ، ارتباط بین دستگاه ها به دلیل پهنای باند محدود ارتباطات بی سیم منجر به تأخیر بزرگ انتقال داده می شود.برای کاهش میزان انتقال داده های دستگاه به دستگاه و تسریع در یادگیری در دستگاه ، در این مقاله ، ما با استفاده از بازنمایی عصبی (INR) ، یک چارچوب یادگیری در زمینه ارتباط با ارتباطات مبتنی بر مه و محاسبات را پیشنهاد می کنیم.برای فشرده سازی تصاویر/فیلم ها به وزن شبکه عصبی.باقیمانده-INR با جمع آوری تصاویر JPEG از دستگاه های Edge ، فشرده سازی آنها به فرمت INR در گره مه و توزیع مجدد آنها برای یادگیری در دستگاه ، باعث افزایش کارایی انتقال داده ها می شود.با استفاده از یک INR کوچکتر برای رمزگذاری تصویر کامل و یک شیء جداگانه INR برای بازسازی منطقه شیء با کیفیت بالا از طریق رمزگذاری باقیمانده ، تکنیک ما می تواند ضمن حفظ کیفیت شی ، افزونگی رمزگذاری را کاهش دهد.باقیمانده-INR یک راه حل امیدوار کننده برای یادگیری در دستگاه است زیرا انتقال داده را تا 5.16 x در شبکه 10 دستگاه لبه کاهش می دهد.همچنین یادگیری شتاب بدون استفاده از CPU را تسهیل می کند و به سرعت 2.9 x x بدون قربانی کردن دقت می رسد.کد ما در: https://github.com/sharclab/residual-inr در دسترس است.