우리는 대량의 센서 데이터가 무선 IoT 기기들로부터 중앙 서버로 전송되어 시스템 거동을 분류하는 인터넷 사물인터넷(IoT) 네트워크를 고려한다. IoT 기기와 그 센서의 수가 매우 클 때, 데이터 간 상관관계가 높기 때문에 서버에서 수집된 데이터의 중복성도 매우 높을 수 있다. IoT 기기에서 센서 데이터를 압축하여 이러한 중복성을 줄이면 전송 전력을 크게 감소시킬 수 있으나, 분류 정확도는 또한 감소할 수 있다. 우리의 목적은 총 전송 전력 제약 하에서 각 기기에서의 압축 비율을 결정하여 분류 정확도를 최대화하는 것이다. 다중사용자 무선 네트워크에서의 전통적인 자원 할당에서는 분류 정확도를 직접적으로 고려할 수 없는데, 이는 통상 데이터와 무관(data-agnostic)하게 수행되기 때문이다. 반면에 딥러닝에서는 데이터셋을 사용하여 신경망 아키텍처를 학습함으로써 분류 정확도를 최대화할 수 있다. 그러나 딥러닝은 자원 할당에 필수적인 무선 채널 정보를 보통 고려하지 않는다. 본 논문에서는 무선 채널 상태 정보와 데이터 기반 접근을 모두 활용하여, 총 전송 전력 제약을 만족하면서 서버에서의 분류 정확도를 최대화하기 위한 이진화된 신경망(binarized neural network) 기반 자원 할당 방식을 제안한다. 실험 결과, MNIST 및 CIFAR-10 데이터셋을 사용한 본 제안 방식은 분류 정확도를 크게 향상시킬 수 있음을 보인다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.