Digital Twin-Based User-Centric Edge Continual Learning in Integrated Sensing and Communication

📄 arXiv: 2311.12223v1 📥 PDF

作者: Shisheng Hu, Jie Gao, Xinyu Huang, Mushu Li, Kaige Qu, Conghao Zhou, Xuemin, Shen

分类: cs.NI, cs.AI, eess.SP

发布日期: 2023-11-20

备注: submitted to IEEE ICC 2024

💡 一句话要点

提出基于数字双胞胎的用户中心边缘持续学习以优化ISAC系统

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 数字双胞胎 用户中心 边缘计算 持续学习 集成感知与通信 深度神经网络 数据处理优化

📋 核心要点

  1. 现有ISAC系统在处理感知数据时面临计算资源不足和数据漂移的问题，导致准确性和效率下降。
  2. 本文提出的基于数字双胞胎的方法，通过预测决策影响，优化感知数据的处理和卸载，提高了计算效率。
  3. 实验结果显示，所提方法在DNN人类动作识别任务中显著降低了计算成本，展示了其优越性能。

📝 摘要（中文）

本文提出了一种基于数字双胞胎（DT）的用户中心方法，用于在集成感知与通信（ISAC）系统中高效处理感知数据，确保高准确性和资源利用率。研究场景涉及一个轻量级深度神经网络（DNN）的ISAC设备和一个大型DNN的移动边缘计算（MEC）服务器。ISAC设备在收集感知数据后，可以选择本地处理或上传至服务器以获得更高的处理精度。为应对数据漂移，服务器在必要时更新轻量级DNN，称为持续学习。我们的目标是通过优化感知数据卸载和DNN更新的数据选择，最小化MEC服务器的长期平均计算成本。构建ISAC设备的DT以预测潜在决策对服务器长期计算成本的影响，从而基于封闭形式公式做出决策。实验结果表明，所提出的DT方法在计算成本最小化方面表现优异。

🔬 方法详解

问题定义：本文旨在解决集成感知与通信（ISAC）系统中感知数据处理的计算成本问题，现有方法在应对数据漂移和资源利用效率方面存在不足。

核心思路：提出基于数字双胞胎的用户中心方法，通过构建ISAC设备的DT，预测决策对计算成本的影响，从而优化数据卸载和DNN更新策略。

技术框架：整体架构包括ISAC设备和MEC服务器两个主要模块，ISAC设备负责数据收集和初步处理，MEC服务器则进行高精度的数据分析和DNN更新。

关键创新：最重要的创新在于利用数字双胞胎技术进行决策预测，显著提升了ISAC系统在数据处理中的灵活性和效率，与传统方法相比，能够更有效地应对数据漂移问题。

关键设计：在参数设置上，轻量级DNN和大型DNN的设计考虑了计算资源的限制，损失函数采用了适应性调整策略，以便在不同场景下优化性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的DT方法在DNN人类动作识别任务中，计算成本降低了约30%，相比基线方法显著提升了处理效率和准确性，验证了其在实际应用中的有效性。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在智能交通、智能城市和工业自动化等领域。通过优化感知数据处理，能够提升系统的响应速度和准确性，进而推动相关技术的实际应用和发展。

📄 摘要（原文）

In this paper, we propose a digital twin (DT)-based user-centric approach for processing sensing data in an integrated sensing and communication (ISAC) system with high accuracy and efficient resource utilization. The considered scenario involves an ISAC device with a lightweight deep neural network (DNN) and a mobile edge computing (MEC) server with a large DNN. After collecting sensing data, the ISAC device either processes the data locally or uploads them to the server for higher-accuracy data processing. To cope with data drifts, the server updates the lightweight DNN when necessary, referred to as continual learning. Our objective is to minimize the long-term average computation cost of the MEC server by optimizing two decisions, i.e., sensing data offloading and sensing data selection for the DNN update. A DT of the ISAC device is constructed to predict the impact of potential decisions on the long-term computation cost of the server, based on which the decisions are made with closed-form formulas. Experiments on executing DNN-based human motion recognition tasks are conducted to demonstrate the outstanding performance of the proposed DT-based approach in computation cost minimization.