近日，南方科技大学电子与电气工程系教授贡毅课题组在面向智能物联网的群智感知与群智标注研究领域取得系列进展。研究成果相继发表在无线通信领域期刊IEEE Transactions on Wireless Communications上。该研究通过设计新型群智感知策略和群智标注策略，为人工智能的模型训练提供海量数据及标签，以支持高能效高准确度的智能物联网应用。

随着新一代移动通信技术的发展，数以亿计的传感设备接入物联网，开启了万物互联的新时代。物联网的发展使得自动驾驶、智能家居、智慧城市等应用成为可能，而这些应用的落地离不开人工智能模型训练。如图1所示，为了高效准确地训练人工智能模型，需要对数据和标签的采集与传输方式进行设计。

有别于传统的传感器网络，群智感知通过激励移动设备用户参与数据感知与传输过程，充分调动移动设备采集海量数据。为了进一步提升数据采集的能效，课题组依据不同数据采集任务的需求（如数据量和任务执行时刻）、群智感知设备的工作状态（如感知模块是否被占用）和通信条件（如信道状态），对数据的感知与传输速率进行联合控制。如图1所示，经研究发现，最优的数据感知与传输速率均满足拉线结构（可以形象地理解为将一根线尽可能在给定上下界的通道内拉直），且最优的数据量可以通过分段搜索的方式得出。研究成果以“Joint Sensing and Communication-Rate Control for EnergyEfficient Mobile Crowd Sensing”为题获得发表。

南科大电子与电气工程系硕士研究生周梓钦为论文第一作者，贡毅和南科大博士后李晓阳为共同通讯作者，合作者包括香港大学教授黄凯斌和南科大电子与电气工程系助理教授游昌盛。南科大为论文第一单位。

图1 高能效的群智感知与传输速率联合控制方案

作为人工智能的一个重要分支，监督式学习需要大量的数据标签来对模型进行训练。如图2所示，为了给数据添加标签，群智标注将原始数据分发给多个移动设备用户进行标注，并通过概率统计从多个用户标签中推断出真实标签。在这个过程中，原始数据的分发方案与设备的通信条件将显著影响群智标注的能效和准确度。因此，课题组依据通信条件对设备进行分簇，并设计相应的原始数据分发方案，以实现高能效高准确度的数据标注。研究发现按照设备信噪比顺序进行划分可达到最佳的分簇效果，而最优的数据分发方案可以通过树搜索和动态规划方法得出。研究成果以“Energy Efficient Wireless Crowd Labelling: Joint AnnotatorClustering and Power Control”为题获得发表。

论文第一作者为李晓阳，通讯作者为贡毅，合作者包括黄凯斌、香港中文大学（深圳）助理教授沈闓明、深圳市大数据研究院研究科学家朱光旭、中国信通院高级工程师韩凯峰。南科大为论文第一单位。

图2 高能效的群智标注数据分发与设备分簇方案 

如图3所示，针对不同人工智能模型训练任务对数据量和采集时间的差异性需求，课题组对数据分割与传输方案进行了研究，以支持高能效高准确度的模型训练。一方面依据学习论建立模型训练准确度与数据量之间的函数关系，另一方面依据信息论建立数据传输能耗与传输速率之间的函数关系。基于上述函数的凹凸性，可以证明最佳的数据传输速率控制应满足拉线结构，而最佳的数据分割方案可以采用拉格朗日法得出。该方案被进一步拓展到服务器存储空间受限、传感设备数据随机到达等多个实际场景中，并均取得优异的性能。研究成果以“Data Partition and Rate Control for Learning and EnergyEfficient Edge Intelligence”为题获得发表。

论文第一作者为李晓阳，通讯作者为贡毅，合作作者包括黄凯斌、朱光旭、周梓钦、中科院深圳先进院副研究员王帅。南科大为论文第一单位。

图3高能效高准确度的数据分割与传输速率方案

以上研究工作得到了国家重点研发计划、国家自然科学基金、广东省粤港澳研究团队、深圳市科创委、中国博士后基金的资助以及广东省高校先进无线通信技术重点实验室、深圳市物联网智能信息处理工程实验室的支持。

论文链接：

1.https://ieeexplore.ieee.org/document/9892686 

2. https://ieeexplore.ieee.org/document/9904506 

3. https://ieeexplore.ieee.org/document/9775613 

内容转载自“南科大新闻网”