Optimized Power Control for Multi-User Integrated Sensing and Edge AI

Resumo Técnico: Controle de Potência Otimizado para Sensoriamento Integrado e IA de Borda Multi-usuário

Declaração do Problema
Este trabalho aborda os desafios dentro dos sistemas de Sensoriamento Integrado e IA de Borda (ISEA), um paradigma emergente para redes 6G destinado a suportar aplicações sensíveis à latência, como fábricas inteligentes e gêmeos digitais. Em um sistema ISEA multi-usuário, dispositivos distribuídos realizam sensoriamento de alvos, extraem características locais e descarregam essas características para um Ponto de Acesso (AP) para inferência colaborativa. Um gargalo crítico neste processo é a transmissão de vetores de características de alta dimensão, que sobrecarrega os recursos de comunicação. Embora a Computação no Ar (AirComp) ofereça uma solução promissora ao explorar a superposição de sinais para agregação analógica, projetos existentes frequentemente carecem de um quadro unificado para caracterizar a relação entre erros induzidos pelo AirComp e o desempenho final da tarefa (precisão de inferência). Especificamente, projetos convencionais "ótimos em computação" minimizam a distorção de agregação sem considerar as características da tarefa, enquanto abordagens "conscientes da tarefa" frequentemente dependem de proxies sem justificação teórica rigorosa ou derivação ótima de transceptores.

Metodologia
Os autores propõem um quadro teórico que liga erros do AirComp ao desempenho de inferência através de dois proxies de desempenho distintos:

1. Proxy Ótimo em Computação: Baseado na minimização do Erro Quadrático Médio (MSE) do sinal agregado. O artigo estabelece um limite inferior teórico para a precisão de classificação, demonstrando que a minimização do MSE de computação é uma condição suficiente para melhorar o desempenho de inferência.
2. Proxy Ótimo em Decisão: Baseado na maximização da Distância de Mahalanobis (MD) inter-classe. Derivado do teste de hipóteses bayesiano, este proxy visa maximizar a separabilidade entre classes no espaço de características, visando diretamente a redução da probabilidade de erro de classificação.

O estudo deriva projetos de transceptores ótimos (especificamente alocação de potência em forma fechada) para dois esquemas de transmissão:

• Multiplexação por Divisão de Tempo (TDM): As características são transmitidas sequencialmente em intervalos de tempo. Os problemas de otimização para ambos os proxies são resolvidos independentemente por intervalo.
• Multiplexação por Divisão de Frequência (FDM): As características são transmitidas em subportadoras. Devido ao desvanecimento seletivo em frequência e às restrições conjuntas de potência, os problemas de otimização são não convexos. Os autores empregam o método de dualidade de Lagrange, aproveitando a condição de compartilhamento de tempo para resolver a alocação de potência ótima via métodos de subgradiente.

Principais Contribuições

• Proxies Teóricos: O artigo estabelece formalmente a relação entre erro do AirComp e desempenho de inferência, justificando o uso de proxies tanto ótimos em computação (minimização de MSE) quanto ótimos em decisão (maximização de MD).
• Soluções em Forma Fechada:
  • Para TDM, a alocação de potência ótima revela uma estrutura baseada em limiar. Curiosamente, sob canais quasi-estáticos, tanto os projetos ótimos em computação quanto os ótimos em decisão produzem soluções estruturais idênticas.
  • Para FDM, os projetos ótimos exibem estruturas de decomposição dual. Aqui, os dois proxies divergem: o projeto ótimo em decisão aloca potência com base na importância discriminativa (separabilidade de características), enquanto o projeto ótimo em computação segue uma regularização baseada em variância.
• Projeto de Sistema: O trabalho fornece algoritmos específicos para o projeto de transceptores que equilibram importância das características, condições do canal e orçamentos de potência.

Resultados Experimentais
Resultados numéricos, validados usando uma Máquina de Vetores de Suporte (SVM) para reconhecimento de postura humana de quatro classes, demonstram o seguinte:

• Baixa SNR: Todos os esquemas degradam-se para um palpite aleatório.
• Alta SNR: A maioria dos esquemas aproxima-se de um limite superior de saturação, exceto a Inversão de Canal, que é limitada por restrições totais de potência.
• SNR Moderada: O esquema ótimo em computação supera os demais, beneficiando-se de alocação de recursos não uniforme.
• Escala de Usuários: À medida que o número de usuários ($K$) aumenta, a incerteza de classe diminui e todos os esquemas convergem para um limite de desempenho comum.
• Escala de Subportadoras: À medida que o número de subportadoras ($N$) aumenta, a lacuna de desempenho entre o projeto ótimo em decisão e os demais esquemas diminui devido à redução da heterogeneidade no domínio da frequência. No entanto, uma lacuna persistente permanece porque o projeto ótimo em decisão visa especificamente subportadoras discriminativas.

Significado e Alegações
O artigo alega fornecer um quadro fundamental para a otimização de sistemas ISEA, avançando além da reconstrução genérica de sinais para uma otimização orientada à tarefa. Destaca que, embora projetos ótimos em computação sejam eficazes em ambientes quasi-estáticos, projetos ótimos em decisão oferecem ganhos adicionais de inferência em canais seletivos em frequência ao alinhar a alocação de recursos com a importância discriminativa das características. O trabalho valida que uma abordagem unificada que caracteriza o compromisso entre erros do AirComp e desempenho da tarefa é essencial para superar gargalos de comunicação em sistemas de IA de borda de próxima geração.