🔢 mathematics

CR^2: Cost-Aware Risk-Controlled Routing for Wireless Device-Edge LLM Inference

यह शोध पत्र CR^2 का प्रस्ताव करता है, जो वायरलेस LLM इन्फरेंस के लिए एक दो-चरणीय डिवाइस-एज रूटिंग फ्रेमवर्क है, जो लेटेंसी, ऊर्जा और सटीकता के बीच संतुलन को अनुकूलित करने के साथ-साथ संसाधन संबंधी बाधाओं के तहत फॉल्स-एक्सेप्टेंस (false-acceptance) जोखिमों को स्पष्ट रूप से प्रबंधित करने के लिए एक हल्के ऑन-डिवाइस मार्जिन गेट को कॉन्फॉर्मल रिस्क कंट्रोल के साथ जोड़ता है।

मूल लेखक: Nan Xue, Shengkang Chen, Zhiyong Chen, Jiangchao Yao, Yaping Sun, Zixia Hu, Meixia Tao

प्रकाशित 2026-05-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nan Xue, Shengkang Chen, Zhiyong Chen, Jiangchao Yao, Yaping Sun, Zixia Hu, Meixia Tao

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान, लेकिन भारी, बैकपैक (एक लार्ज लैंग्वेज मॉडल, या LLM) है जिसका उपयोग आप प्रश्न पूछने के लिए करना चाहते हैं। आपके पास उत्तर प्राप्त करने के लिए दो विकल्प हैं:

द पॉकेट असिस्टेंट (The Pocket Assistant): आपकी जेब में मौजूद एक छोटा, सुपर-फास्ट सहायक (आपका फोन)। यह तेज़ है और बैटरी बचाता है, लेकिन यह उतना बुद्धिमान नहीं है।
द क्लाउड ब्रेन (The Cloud Brain): एक दूर स्थित डेटा सेंटर में बैठा एक विशाल, सुपर-स्मार्ट सुपरकंप्यूटर। यह सटीक उत्तर देता है, लेकिन आपको अपना प्रश्न इंटरनेट के माध्यम से भेजना होगा, फिर उसे यात्रा करने के लिए प्रतीक्षा करनी होगी, और फिर उत्तर आने तक प्रतीक्षा करनी होगी। इसमें समय लगता है और संदेश भेजने के लिए यह आपके फोन की बैटरी का भी उपयोग करता है।

समस्या:
वर्तमान में, अधिकांश सिस्टम यह अनुमान लगाने की कोशिश करते हैं कि किसे चुनना है, लेकिन वे अक्सर गलत हो जाते हैं क्योंकि वे इंटरनेट पर "ट्रैफिक" या इस बात पर ध्यान नहीं देते कि उस सटीक क्षण में आपके फोन में कितनी बैटरी बची है।

यदि आप एक आसान प्रश्न क्लाउड ब्रेन को भेजते हैं, तो आप समय और बैटरी बर्बाद करते हैं।
यदि आप एक कठिन प्रश्न पॉकेट असिस्टेंट को भेजते हैं, तो आपको एक खराब उत्तर मिलता है।

समाधान: CR2 (कॉस्ट-अवेयर रिस्क-कंट्रोल्ड रूटिंग)
लेखकों ने एक नया "ट्रैफिक कंट्रोलर" बनाया है जिसे CR2 कहा जाता है। इसे एक स्मार्ट बाउंसर (द्वारपाल) की तरह समझें जो क्लब में यह तय करता है कि आपको वीआईपी लाउंज (फोन) में रुकना है या मुख्य स्टेज (क्लाउड) पर जाना है।

CR2 कैसे काम करता है, यहाँ सरल उपमाओं का उपयोग किया गया है:

1. दो-चरणीय निर्णय (द "बाउंसर" और "मैनेजर")

अधिकांश सिस्टम हर एक प्रश्न के लिए एक ही बार में सबसे अच्छा मॉडल चुनने की कोशिश करते हैं। CR2 इसे दो चरणों में विभाजित करता है:

चरण 1: द पॉकेट बाउंसर (द मार्जिन गेट)।
जब आप एक प्रश्न पूछते हैं, तो आपका फोन तुरंत उस पर नज़र डालता है। इसे यह नहीं पता होता कि क्लाउड ब्रेन अभी क्या कर रहा है (क्या इंटरनेट धीमा है? क्या सर्वर व्यस्त है?)। इसे केवल यह पता होता है: "क्या यह प्रश्न इतना आसान है कि मेरा पॉकेट असिस्टेंट इसे संभाल सके?"
बाउंसर एक विशेष "स्कोर" का उपयोग करके अनुमान लगाता है: यदि मैं स्वयं इसका उत्तर देता हूँ, तो क्या मैं क्लाउड ब्रेन जितना ही अच्छा प्रदर्शन कर पाऊँगा?
- यदि हाँ: बाउंसर कहता है, "यहाँ रुक जाओ!" फोन तुरंत उत्तर देता है।
- यदि नहीं: बाउंसर कहता है, "क्लाउड पर जाओ।"
चरण 2: द क्लाउड मैनेजर (द यूटिलिटी सिलेक्टर)।
केवल वे प्रश्न जिन्हें बाउंसर ने खारिज कर दिया है, क्लाउड को भेजे जाते हैं। एक बार जब वे पहुँच जाते हैं, तो क्लाउड मैनेजर वर्तमान इंटरनेट गति और सर्वर लोड को देखता है ताकि उस विशिष्ट प्रश्न का उत्तर देने के लिए सही सुपरकंप्यूटर को चुना जा सके।

2. "रिस्क कंट्रोल" (द सेफ्टी नेट)

जटिल हिस्सा बाउंसर है। यदि बाउंसर बहुत अधिक आत्मविश्वासी हो जाता है और एक कठिन प्रश्न के लिए कहता है "यहाँ रुक जाओ", तो आपको एक खराब उत्तर मिलता है। यह एक "फॉल्स एक्सेप्टेंस" (गलत स्वीकृति) है।

पेपर एक विशेष सुरक्षा उपकरण पेश करता है जिसे कॉन्फॉर्मल रिस्क कंट्रोल (CRC) कहा जाता है।

उपमा: कल्पना कीजिए कि बाउंसर एक परीक्षा देने वाला छात्र है। परीक्षा शुरू होने से पहले, शिक्षक छात्र को एक "सुरक्षा नियम" देता है।
यह कैसे काम करता है: सिस्टम कहता है, "बाउंसर, आपको क्लाउड के बारे में गलत होने की अनुमति केवल 1% बार है।"
सिस्टम बाउंसर के लिए एक सख्त "पासिंग स्कोर" की गणना करता है। यदि बाउंसर का आत्मविश्वास स्कोर उस रेखा से नीचे है, तो उसे प्रश्न को क्लाउड पर भेजना ही होगा, भले ही उसे लगता हो कि फोन इसे संभाल सकता है। यह गारंटी देता है कि आपको शायद ही कभी फोन से खराब उत्तर मिलेगा।

3. "कॉस्ट" जागरूकता (The Cost Awareness)

सिस्टम केवल सटीकता की परवाह नहीं करता है; यह लागत (Cost) की भी परवाह करता है।

लागत का अर्थ है समय (आपको कितनी देर प्रतीक्षा करनी पड़ती है) और बैटरी (कितनी ऊर्जा खर्च होती है) का मिश्रण।
सिस्टम के पास एक "डायल" (जिसे $\lambda$ $λ$ कहा जाता है) है जिसे उपयोगकर्ता घुमा सकता है।
- इसे "बैटरी बचाओ" पर घुमाएँ: बाउंसर अधिक सख्त हो जाता है और अधिक प्रश्नों को फोन पर ही रखता है, भले ही वे थोड़े कठिन हों।
- इसे "सर्वश्रेष्ठ उत्तर प्राप्त करें" पर घुमाएँ: बाउनर अधिक प्रश्नों को क्लाउड पर भेजता है ताकि उच्च गुणवत्ता सुनिश्चित की जा सके।

उन्होंने क्या पाया?

लेखकों ने वास्तविक दुनिया के डेटा (जैसे विज्ञान के प्रश्नों का उत्तर देना या कोड लिखना) के साथ इस प्रणाली का परीक्षण किया।

बेहतर संतुलन: CR2 ने अन्य तरीकों की तुलना में गति/बैटरी और सटीकता के बीच एक बेहतर "स्वीट स्पॉट" (संतुलन) पाया।
बड़ी बचत: समान सटीकता के स्तर पर, CR2 ने मौजूदा सर्वोत्तम तरीकों की तुलना में "डिप्लॉयमेंट कॉस्ट" (समय और ऊर्जा) में 16.9% तक की बचत की।
विश्वसनीयता: "सेफ्टी नेट" (CRC) ने ठीक वैसा ही काम किया जैसा वादा किया गया था, जिससे फोन से गलत उत्तरों की दर बहुत कम रही।

संक्षेप में:
CR2 एआई (AI) के लिए एक स्मार्ट ट्रैफिक सिस्टम है। यह आपके फोन पर एक हल्के वजन वाले "बाउंसर" का उपयोग करता है जो जल्दी से यह तय करता है कि क्या कोई प्रश्न स्थानीय रूप से संभालने के लिए पर्याप्त आसान है। यदि नहीं, तो यह इसे क्लाउड पर भेज देता है। एक विशेष "सेफ्टी नेट" यह सुनिश्चित करता है कि बाउंसर बहुत अधिक आत्मविश्वासी न हो जाए, जिससे यह गारंटी मिलती है कि आप उन प्रश्नों पर समय या बैटरी बर्बाद नहीं करेंगे जिन्हें फोन वास्तव में अच्छी तरह से हल नहीं कर सकता है।

तकनीकी सारांश: CR2 – वायरलेस डिवाइस-एज LLM इन्फरेंस के लिए कॉस्ट-अवेयर रिस्क-कंट्रोल्ड रूटिंग

समस्या विवरण
जैसे-जैसे लार्ज लैंग्वेज मॉडल्स (LLMs) सेंट्रलाइज्ड क्लाउड से मोबाइल-एज एनवायरनमेंट की ओर बढ़ रहे हैं, कुशल सर्विंग के लिए सीमित डिवाइस-एज संसाधनों के तहत लेटेंसी (latency), ऊर्जा खपत और सटीकता के बीच संतुलन बनाना आवश्यक हो गया है। जबकि लाइटवेट ऑन-डिवाइस मॉडल्स और स्ट्रॉन्गर एज मॉडल्स के बीच क्वेरी-लेवल रूटिंग, इस ट्रेड-ऑफ को नेविगेट करने के लिए एक लचीला तंत्र प्रदान करती है, मौजूदा रूटिंग विधियां मुख्य रूप से सेंट्रलाइज्ड क्लाउड सेटिंग्स के लिए डिज़ाइन की गई हैं। ये पूर्ववर्ती दृष्टिकोण टोकन-लेवल लागत या स्टेटिक क्वालिटी-कॉस्ट ट्रेड-ऑफ को ऑप्टिमाइज़ करते हैं, जो वायरलेस एज डिप्लॉयमेंट में निहित डायनेमिक लेटेंसी और एनर्जी ओवरहेड्स को पकड़ने में विफल रहते हैं।

डिवाइस-एज सिस्टम द्वारा आवश्यक दो-चरणीय निर्णय संरचना (two-stage decision structure) में एक महत्वपूर्ण अंतराल मौजूद है:

लोकल डिसीजन (UE): यूजर इक्विपमेंट (UE) को यह तय करना होगा कि क्वेरी को स्थानीय रूप से निष्पादित किया जाए या इसे एज पर भेजा जाए, और यह निर्णय केवल स्थानीय रूप से उपलब्ध जानकारी (क्वेरी एम्बेडिंग और कॉस्ट प्रेफरेंस) का उपयोग करके लिया जाना चाहिए, बिना एज मॉडल स्कोर या रीयल-टाइम एज स्टेट तक पहुंच के।
एज डिसीजन: केवल डिफ़र (defer) की गई क्वेरीज को ही उपलब्ध एज मॉडल्स के बीच फुल सिस्टम स्टेट के आधार पर रूट किया जाता है।

मौजूदा विधियां अक्सर एज स्टेट्स के ग्लोबल नॉलेज को मान लेती हैं या रूटिंग को सिंगल-शॉट सिलेक्शन के रूप में देखती हैं, जो वायरलेस एज डिप्लॉयमेंट में निहित डायनेमिक लेटेंसी और एनर्जी ओवरहेड्स को नजरअंदाज करती हैं। वे 'असैमेट्रिक डिसीजन रिस्क' (asymmetric decision risk) को भी अनदेखा करती हैं: अनावश्यक डिफरल से कम्युनिकेशन लेटेंसी और ऊर्जा का नुकसान होता है, जबकि गलत लोकल एक्सेप्टेंस (false local acceptance) अपरिवर्तनीय रूप से बेहतर एज मॉडल्स के अवसर को खो देता है, जिससे यूजर एक्सपीरियंस खराब होता है। इसके अलावा, स्टैंडर्ड राउटर आंशिक जानकारी के तहत गलत लोकल एक्सेप्टेंस के जोखिम को स्पष्ट रूप से नियंत्रित नहीं करते हैं।

कार्यप्रणाली: CR2 फ्रेमवर्क
लेखक CR2 प्रस्तावित करते हैं, जो एक दो-चरणीय डिवाइस-एज रूटिंग फ्रेमवर्क है जो रूटिंग समस्या को एक डिप्लॉयबल लोकल एक्सेप्टेंस गेट और एक स्टेट-अवेयर एज सेलेक्टर में विभाजित करता है।

सिस्टम और कॉस्ट मॉडलिंग:
- सिस्टम एंड-टू-एंड लेटेंसी और ऊर्जा खपत को मॉडल करता है, जिसमें स्टोकेस्टिक वायरलेस कंडीशंस (अपलिंक/डाउनलिंक चैनल गेन्स), कंप्यूटेशन वर्कलोड (प्रीफिल और डिकोडिंग स्टेज), और डिवाइस/एज पावर प्रोफाइल शामिल हैं।
- एक डिप्लॉयमेंट कॉस्ट को एक रेफरेंस मॉडल के सापेक्ष नॉर्मलाइज्ड लेटेंसी और एनर्जी के वेटेड सम के रूप में परिभाषित किया गया है।
- रूटिंग ऑब्जेक्टिव को एक स्केलेराइज्ड यूटिलिटी फंक्शन $u_m = y_m - \lambda c_m$ के माध्यम से पैरामीटराइज्ड, एक कॉस्ट बजट के अधीन सटीकता को अधिकतम करने के रूप में तैयार किया गया है, जहाँ $\lambda$ एक कॉस्ट वेट है।
दो-चरणीय आर्किटेक्चर:
- स्टेज 1: UE लोकल एक्सेप्टेंस (मार्जिन गेट): एक लाइटवेट ऑन-डिवाइस मॉड्यूल एक "यूटिलिटी मार्जिन" की गणना करता है ताकि यह अनुमान लगाया जा सके कि क्या लोकल एक्जीक्यूशन सबसे अच्छे एज विकल्प के मुकाबले प्रतिस्पर्धी है।
  - यह एक फ्रोजन क्वेरी एनकोडर और एक लाइटवेट स्कोरिंग हेड का उपयोग करता है।
  - यह क्वेरी एम्बेडिंग और ऑपरेटर-स्पेसिफाइड कॉस्ट वेट $\lambda$ को इनपुट के रूप में लेता है।
  - यह निर्णय लेने से पहले एज मॉडल यूटिलिटीज या रनटाइम स्टेट $\xi$ तक नहीं पहुँचता है।
- स्टेज 2: एज यूटिलिटी सेलेक्टर: डिफ़र की गई क्वेरीज के लिए, एज सर्वर फुल यूटिलिटी एस्टीमेट (जिसमें रनटाइम स्टेट $\xi$ शामिल है) के आधार पर एज पूल से इष्टतम मॉडल चुनता है।
ट्रेनिंग और कैलिब्रेशन:
- टीचर-स्टूडेंट डिस्टिलेशन: एक "टीचर" सेलेक्टर को फुल-इंफॉर्मेशन डेटा (क्वेरी + स्टेट + करेक्टनेस लेबल्स) पर प्रशिक्षित किया जाता है ताकि मॉडल करेक्टनेस और यूटिलिटी मार्जिन्स का अनुमान लगाया जा सके। ऑन-डिवाइस गेट को टीचर-इंड्यूस्ड यूटिलिटी मार्जिन ( $\Delta$ ) को डिस्टिल करने के लिए प्रशिक्षित किया जाता है, जो लोकल बनाम एज एक्जीक्यूशन के बीच का अंतर है।
- लॉस फंक्शन्स: गेट को निम्नलिखित के संयोजन का उपयोग करके ऑप्टिमाइज़ किया जाता है:
  - साइन लॉस (Sign Loss): प्रेडिक्टेड मार्जिन के साइन को टीचर के लोकल-वर्सेस-एज प्रेफरेंस के साथ अलाइन करना।
  - मार्जिन लॉस (Margin Loss): प्रेडिक्टेड मार्जिन को कंटीन्यूअस टीचर मार्जिन की ओर रिग्रेस करना (Huber लॉस का उपयोग करके)।
  - मोनोटोनिसिटी रेगुलराइज़र (Monotonicity Regularizer): यह सुनिश्चित करने के लिए कि प्रेडिक्टेड मार्जिन कॉस्ट वेट $\lambda$ के संबंध में नॉन-डिक्रीजिंग है, जो इस स्ट्रक्चरल प्रॉपर्टी को दर्शाता है कि उच्च कॉस्ट वेट लोकल एक्जीक्यूशन को प्राथमिकता देते हैं।
- कॉन्फॉर्मल रिस्क कंट्रोल (CRC): असैमेट्रिक रिस्क (गलत लोकल एक्सेप्टेंस) को संबोधित करने के लिए, लेखक एक CRC कैलिब्रेशन प्रक्रिया पेश करते हैं।
  - एक टारगेट रिस्क लेवल $\alpha$ के लिए, CRC स्कोर को एक कैलिब्रेटेड एक्सेप्टेंस थ्रेशोल्ड $\tau^*(\lambda; \alpha)$ में मैप करता है।
  - यह सुनिश्चित करता है कि मार्जिनल फॉल्स-एक्सेप्टेंस रिस्क (जब एज मॉडल स्ट्रिक्टली बेहतर हो, तब लोकल एक्सेप्ट करने की संभावना) एक्सचेंजैबिलिटी (exchangeability) के अनुमान के तहत $\alpha$ द्वारा बाउंडेड है।

प्रमुख योगदान

डिप्लॉयमेंट-कंस्ट्रेंड फ्रेमवर्क: पेपर एक दो-चरणीय रूटिंग फ्रेमवर्क स्थापित करता है जो मोबाइल-एज डिप्लॉयमेंट की सूचना संबंधी बाधाओं का स्पष्ट रूप से सम्मान करता है, जो UE लोकल एक्सेप्टेंस को एज मॉडल सिलेक्शन से अलग करता है।
CR2 एल्गोरिदम: लेखक CR2 विकसित करते हैं, जिसमें शामिल हैं:
- एक UE-ऑब्जर्वेबल मार्जिन गेट जो फुल-इंफॉर्मेशन यूटिलिटी मार्जिन्स को एक डिप्लॉयबल ऑन-डिवाइस स्कोर में डिस्टिल करता है।
- एक मोनोटोनिसिटी रेगुलराइज़र जो विभिन्न कॉस्ट-वेट ऑपरेटिंग पॉइंट्स पर सुसंगत निर्णय सुनिश्चित करता है।
- एक पर- $\lambda$ CRC कैलिब्रेशन नियम जो बिना एज मॉडल स्कोर के UE को प्रेडिक्टेबल मार्जिनल फॉल्स-एक्सेप्टेंस रिस्क पर स्पष्ट नियंत्रण प्रदान करता है।
अनुभवजन्य प्रदर्शन (Empirical Performance): एक बेंचमार्क-आधारित रूटिंग टास्क (Qwen मॉडल्स और प्रोफाइल की गई डिप्लॉयमेंट कॉस्ट का उपयोग करके) पर मूल्यांकन से पता चलता है कि CR2, मैच की गई सटीकता पर स्ट्रॉन्ग क्वेरी-लेवल बेसलाइन्स (KNN, MLP, EmbedLLM, LLM-Rank) की तुलना में सर्वश्रेष्ठ डिप्लॉयबल एक्यूरेसी-कॉस्ट पारेटो फ्रंटियर (Pareto frontier) प्राप्त करता है। यह नॉर्मलाइज्ड डिप्लॉयमेंट कॉस्ट को 16.9% तक कम करता है।

परिणाम

एक्यूरेसी-कॉस्ट ट्रेड-ऑफ: CR2 लगातार एक्यूरेसी-कॉस्ट प्लेन में बेसलाइन्स को पछाड़ता है। ज़ूम किए गए ऑपरेटिंग क्षेत्रों में, यह डिप्लॉयबल मेथड्स के बीच सबसे मजबूत फ्रंटियर बनाता है।
कॉस्ट रिडक्शन: फिक्स्ड एक्यूरेसी लेवल्स (जैसे, 0.81 और 0.82) पर, CR2 KNN की तुलना में क्रमशः 16.9% और 16.2% कम नॉर्मलाइज्ड डिप्लॉयमेंट कॉस्ट प्रदर्शित करता है।
रिस्क कंट्रोल: CRC-कैलिब्रेटेड थ्रेशोल्ड सफलतापूर्वक एम्पिरिकल मार्जिनल फॉल्स-एक्सेप्टेंस रेट को नियंत्रित करते हैं, इसे निर्दिष्ट बाउंड्स (जैसे, $\alpha=0.01$ ) के भीतर रखते हुए प्रतिस्पर्धी एक्यूरेसी बनाए रखते हैं।
एफिशिएंसी: ऑन-डिवाइस मार्जिन गेट कंप्यूटेशनल रूप से बहुत हल्का है (लगभग 105k पैरामीटर्स, 207k FLOPs), जो फुल-इंफॉर्मेशन रेफरेंस या LLM-Rank जैसे अन्य पैरामेट्रिक राउटर की तुलना में काफी छोटा है।
एरर डिकम्पोजिशन: विश्लेषण से पता चलता है कि डिप्लॉयबल CR2 और फुल-इंफॉर्मेशन ओरकल के बीच का शेष प्रदर्शन गैप मुख्य रूप से लोअर कॉस्ट पर "फॉल्स डिफरल्स" (ओवर-एस्केलेशन) द्वारा संचालित है, जबकि फॉल्स लोकल एक्सेप्टेंस कम (<1.5%) रहता है।

महत्व और दावे
पेपर का दावा है कि CR2 क्वेरी-लेवल रूटिंग और एज LLM सर्विंग के बीच के अंतर को एक दो-चरणीय डिवाइस-एज डिप्लॉयमेंट के तहत मॉडल फॉर्म्युलेट करके पाटता है। इसका महत्व निम्नलिखित में निहित है:

डिकपलिंग (Decoupling): सफलतापूर्वक लोकल डिसीजन (जो आंशिक जानकारी के साथ लिया जाना चाहिए) को एज डिसीजन (जिसके पास फुल इंफॉर्मेशन है) से अलग करना।
रिस्क कंट्रोल: फॉल्स लोकल एक्सेप्टेंस के जोखिम को स्पष्ट रूप से रेगुलेट करने के लिए एक कठोर, डिस्ट्रिब्यूशन-फ्री मैकेनिज्म (CRC के माध्यम से) प्रदान करना, जो वायरलेस एज इन्फरेंस के लिए एक महत्वपूर्ण आवश्यकता है जहाँ कम्युनिकेशन ओवरहेड महंगा होता है।
व्यावहारिकता: यह प्रदर्शित करना कि एक लाइटवेट, फ्रोजन-एनकोडर-बेस्ड गेट, फुल-इंफॉर्मेशन ओरकल के करीब पहुँच सकता है, जिससे बिना किसी घने क्रॉस-टियर कोआर्डिनेशन या ग्लोबल स्टेट नॉलेज के वास्तविक वायरलेस एज परिदृश्यों में कुशल, कॉस्ट-अवेयर रूटिंग संभव हो पाती है।

लेखक निष्कर्ष निकालते हैं कि CR2 मोबाइल-एज कोलाबोरेटिव इन्फरेंस के लिए एक मजबूत समाधान प्रदान करता है, जो वायरलेस एज डिप्लॉयमेंट की सख्त सूचनात्मक बाधाओं का पालन करते हुए लेटेंसी, ऊर्जा और सटीकता के बीच ट्रेड-ऑफ को संतुलित करता है।

1. दो-चरणीय निर्णय (द "बाउंसर" और "मैनेजर")

2. "रिस्क कंट्रोल" (द सेफ्टी नेट)

3. "कॉस्ट" जागरूकता (The Cost Awareness)

उन्होंने क्या पाया?

इसी तरह के और पेपर