卷积模糊神经网络

可解释推理

针对模糊层计算量难以直接评估的问题，提出了一种新的结构设计，并引入端边协同框架以降低推理延迟。

Yuhao, Hu · Xiaolong, Xu · Li, Duan · Bilal, Muhammad · Qingyang, Wang · 窦万春

IEEE Transactions on Fuzzy Systems 2024

技术优势

能拆分模糊层

通过设计新的 CFNN 结构和模糊层计算量评估方法，原本难以直接获取计算量的模糊层变得可评估，使 CFNN 的划分成为可能。

决策由强化学习生成

在每台边缘服务器上基于深度强化学习生成计算资源分配和 CFNN 划分决策，能够适应动态环境。

卸载策略更兼顾收益

使用多对一匹配博弈获得任务卸载策略，显式考虑服务提供者的收益，弥补现有工作的不足。

应用场景

• 端侧智能推理：把可解释 CFNN 推理拆到端侧和边缘，让设备本身就能跑一部分智能推理，降低对云端的依赖和延迟。
• 物联网边缘计算：用边缘服务器的计算力补充设备不足，并按资源动态划分推理负载，适配物联网边缘的实时处理需求。
• 可解释人工智能：以模糊神经网络提供可解释推理，并通过端边划分加速执行，让可解释模型也能满足延迟敏感应用。
• 边缘AI芯片协同：调度不同算力的端侧芯片与边缘服务器协同完成推理，充分利用异构硬件的计算资源。