雲邊端融合：終端智能信息處理技術

王吉,張雄濤,包衛東等

出版商: 電子工業
出版日期: 2024-05-01
定價: $528
售價: 8.5 折 $449
語言: 簡體中文
頁數: 228
ISBN: 7121477866
ISBN-13: 9787121477867

下單後立即進貨 (約4週~6週)

商品描述

隨著物聯網與5G時代的到來，終端設備正產生海量數據與智能信息處理需求，人工智能逐步從雲計算中心向終端設備遷移。然而，終端設備計算性能受限、應用場景多樣等特點給終端智能信息處理帶來了巨大挑戰。本書圍繞在算力、能耗受限的終端設備上廣泛部署智能服務的迫切需求，研究雲邊端融合的終端智能信息處理關鍵技術。以深度學習為典型智能信息處理方法，依托雲邊端融合計算模式，從智能模型訓練與部署著手，重點突破雲邊端數據協同傳輸、模型雲邊端融合部署、面向場景的模型持續學習等問題，系統介紹面向終端設備的深度神經網絡學習訓練與部署運行方法體系，為實現在性能受限的異構終端設備上提供安全、可靠、高效的智能信息處理服務提供可行路徑。本書所述內容，有望打通以深度學習為代表的先進人工智能方法在終端設備上高效應用的最後一公里，為突破實現"萬物智能”的瓶頸性問題提供技術支撐。

目錄大綱

目錄
第1章緒論 001
1.1 終端智能信息處理 002
1.1.1 終端智能信息處理的內涵 002
1.1.2 終端智能信息處理的現實需求 003
1.1.3 終端智能信息處理的挑戰 004
1.2 雲邊端融合計算模式 005
1.2.1 雲邊端融合計算模式的發展 006
1.2.2 雲邊端融合的終端智能信息處理框架 007
1.2.3 雲邊端融合計算模式面臨的挑戰 009
1.3 本書關註的問題 011
1.3.1 具體問題分析 011
1.3.2 研究內容與創新點 013
1.4 本書研究的科學意義與實踐價值 017
第2章終端設備數據傳輸鏈路自主協同選擇 019
2.1 引言 020
2.1.1 問題分析 020
2.1.2 相關工作 022
2.2 系統模型 023
2.3 終端設備鏈路選擇博弈 025
2.3.1 博弈模型構建 025
2.3.2 博弈性質分析 026
2.4 分佈式鏈路選擇算法 028
2.4.1 算法設計 028
2.4.2 收斂性分析 032
2.5 實驗評估 033
2.5.1 收斂性 033
2.5.2 性能提升 035
2.5.3 原型系統 039
2.6 本章小結 041
第3章終端設備數據分佈式協同傳輸優化 043
3.1 引言 044
3.1.1 問題分析 044
3.1.2 相關工作 046
3.2 系統模型與問題形式化 048
3.3 自適應分佈式優化方法 050
3.3.1 關聯傳輸決策 050
3.3.2 在線分佈式調度算法 054
3.3.3 理論分析 057
3.4 實驗評估 059
3.4.1 能耗-效用均衡 060
3.4.2 反饋延遲與採樣大小對性能的影響 061
3.4.3 對通道狀態的適應性 062
3.4.4 終端設備丟失的自適應性 065
3.4.5 性能比較 066
3.4.6 原型系統測試 069
3.5 本章小結 071
第4章基於深度神經網絡分割的雲端協同智能推理 073
4.1 引言 074
4.1.1 問題分析 074
4.1.2 相關工作 077
4.2 預備知識 079
4.2.1 深度神經網絡 079
4.2.2 遷移學習 080
4.2.3 差分隱私準則 080
4.3 雲端協同智能推理框架 082
4.3.1 框架概覽 082
4.3.2 端側數據轉換 084
4.3.3 雲側噪聲訓練 087
4.4 實驗評估 090
4.4.1 參數選擇 092
4.4.2 數據轉換擾動對性能的影響 093
4.4.3 性能比較 095
4.4.4 隱私保護預算分析 096
4.4.5 原型系統測試 098
4.5 本章小結 099
第5章面向端側自主智能推理的智能計算模型壓縮 101
5.1 引言 102
5.1.1 問題分析 102
5.1.2 相關工作 105
5.2 基於知識萃取的智能模型壓縮框架 105
5.2.1 框架概覽 106
5.2.2 模型壓縮訓練 107
5.2.3 數據安全隱私保護 110
5.2.4 查詢樣本選取 112
5.3 實驗評估 115
5.3.1 參數對性能的影響 115
5.3.2 安全隱私性能分析 119
5.3.3 模型壓縮性能分析 121
5.4 本章小結 124
第6章基於聯邦學習的雲邊端協同智能模型訓練 125
6.1 引言 126
6.1.1 問題分析 126
6.1.2 相關工作 128
6.2 預備知識 130
6.2.1 聯邦學習 130
6.2.2 動態帶寬和不可靠網絡 131
6.2.3 梯度壓縮 132
6.3 雲邊端協同聯邦學習訓練框架 134
6.4 面向動態不可靠網絡的聯邦學習算法 137
6.4.1 算法設計 137
6.4.2 理論分析 140
6.5 實驗評估 141
6.5.1 實驗設置 142
6.5.2 整體性能比較 144
6.5.3 準確性比較 146
6.5.4 通信效率比較 148
6.5.5 通信壓縮率的影響 149
6.5.6 不可靠網絡的影響 151
6.5.7 終端規模的影響 151
6.6 本章小結 152
第7章基於完全分佈式學習的端側智能模型訓練 155
7.1 引言 156
7.1.1 問題分析 156
7.1.2 相關工作 158
7.2 完全分佈式智能模型訓練框架 159
7.3 分佈式訓練動態控制算法 161
7.3.1 模型構建 161
7.3.2 問題形式化 165
7.3.3 問題求解的近似 167
7.3.4 算法設計 169
7.4 實驗評估 171
7.4.1 整體性能比較 173
7.4.2 準確性比較 174
7.4.3 資源效率比較 175
7.4.4 數據分佈的影響 177
7.4.5 資源預算的影響 178
7.4.6 終端移動性的影響 180
7.4.7 終端規模的影響 180
7.4.8 原型系統測試 182
7.5 本章小結 185
附錄A LocalUpdate（）函數、FedAvg及C-FedAvg算法 187
A.1 LocalUpdate（）函數 188
A.2 FedAvg及C-FedAvg算法 189
附錄B 定理6.1證明 191
附錄C Alpha-GossipSGD中的相關函數 195
C.1 LocalUpdate函數 196
C.2 MNLRS函數 197
C.3 Alpha-Gossip函數 199
參考文獻 202