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(nèi)涵 002
1.1.2 終端智能信息處理的現(xiàn)實需求 003
1.1.3 終端智能信息處理的挑戰(zhàn) 004
1.2 云邊端融合計算模式 005
1.2.1 云邊端融合計算模式的發(fā)展 006
1.2.2 云邊端融合的終端智能信息處理框架 007
1.2.3 云邊端融合計算模式面臨的挑戰(zhàn) 009
1.3 本書關注的問題 011
1.3.1 具體問題分析 011
1.3.2 研究內(nèi)容與創(chuàng)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(shù)據(jù)傳輸鏈路自主協(xié)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(tǒng)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 分布式鏈路選擇算法 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(tǒng) 039
2.6 本章小結 041
第3章 終端設備數(shù)據(jù)分布式協(xié)同傳輸優(yōu)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(tǒng)模型與問題形式化 048
3.3 自適應分布式優(yōu)化方法 050
3.3.1 關聯(lián)傳輸決策 050
3.3.2 在線分布式調度算法 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 反饋延遲與采樣大小對性能的影響 061
3.4.3 對信道狀態(tài)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(tǒng)測試 069
3.5 本章小結 071
第4章 基于深度神經(jīng)網(wǎng)絡分割的云端協(xié)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(jīng)網(wǎng)絡 079
4.2.2 遷移學習 080
4.2.3 差分隱私準則 080
4.3 云端協(xié)同智能推理框架 082
4.3.1 框架概覽 082
4.3.2 端側數(shù)據(jù)轉換 084
4.3.3 云側噪聲訓練 087
4.4 實驗評估 090
4.4.1 參數(shù)選擇 092
4.4.2 數(shù)據(jù)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(tǒng)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 基于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(shù)據(jù)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(shù)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 基于聯(lián)邦學習的云邊端協(xié)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(lián)邦學習 130
6.2.2 動態(tài)帶寬和不可靠網(wǎng)絡 131
6.2.3 梯度壓縮 132
6.3 云邊端協(xié)同聯(lián)邦學習訓練框架 134
6.4 面向動態(tài)不可靠網(wǎng)絡的聯(lián)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(wǎng)絡的影響 151
6.5.7 終端規(guī)模的影響 151
6.6 本章小結 152
第7章 基于完全分布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 完全分布式智能模型訓練框架 159
7.3 分布式訓練動態(tài)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(shù)據(jù)分布的影響 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(guī)模的影響 180
7.4.8 原型系統(tǒng)測試 182
7.5 本章小結 185
附錄A LocalUpdate（ ）函數(shù)、FedAvg及C-FedAvg算法 187
A.1 LocalUpdate（ ）函數(shù) 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(shù) 195
C.1 LocalUpdate函數(shù) 196
C.2 MNLRS函數(shù) 197
C.3 Alpha-Gossip函數(shù) 199
參考文獻 202