Mapeo adaptativo restringido a la información para la compresión de características en IA de borde y sistemas...

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Compresión de datos

Sus antecedentes:

• Los sistemas inteligentes distribuidos se enfrentan a desafíos con recursos limitados, lo que afecta a la IA de borde y al aprendizaje federado.
• La reducción de los gastos generales de comunicación es crucial debido a la inestable calidad de servicio, el ancho de banda limitado y la heterogeneidad de los datos.

Objetivo del estudio:

• Desarrollar un modelo de compresión de características eficiente para sistemas inteligentes distribuidos con recursos limitados.
• Para abordar la necesidad de reducir los gastos generales de comunicación en los entornos de Edge AI y Federated Learning.

Principales métodos:

• Desarrolló un nuevo modelo de compresión regularizado por entropía que combina el mapeo latente variacional, la proyección sin restricciones de negatividad y la transformación estocástica de Boole.
• Propuso una función de calidad de compresión generalizada que incorpora la divergencia de Kullback-Leibler y la preservación de la relevancia semántica.
• Diseño de algoritmos eficientes de optimización de gradiente de proyección para entornos computacionales restringidos.

Principales resultados:

• Se logró una reducción de 6 veces en la carga de entropía en los conjuntos de datos HAR y PAMAP2.
• Se mantuvo una precisión de clasificación superior al 94% con una alta fidelidad semántica.
• Robustez demostrada para el ruido y las pérdidas en dispositivos de baja potencia (Jetson Nano, Raspberry Pi 4).

Conclusiones:

• El modelo propuesto ofrece una eficiencia de compresión, adaptabilidad y estabilidad superiores en comparación con las soluciones SOTA.
• El enfoque es efectivo para Edge AI y Federated Learning, especialmente bajo condiciones de transmisión inestables.
• Eficacia práctica validada en conjuntos de datos del mundo real y hardware de baja potencia.