With the prevalence of intelligent mobile applications, edge learning is emerging as a promising technology for powering fast intelligence acquisition for edge devices from distributed data generated at the network edge. One critical task of edge learning is to efficiently utilize the limited radio resource to acquire data samples for model training at an edge server. In this paper, we develop a novel user scheduling algorithm for data acquisition in edge learning, called (data) importance-aware scheduling. A key feature of this scheduling algorithm is that it takes into account the informativeness of data samples, besides communication reliability. Specifically, the scheduling decision is based on a data importance indicator (DII), elegantly incorporating two "important" metrics from communication and learning perspectives, i.e., the signal-to-noise ratio (SNR) and data uncertainty. We first derive an explicit expression for this indicator targeting the classic classifier of support vector machine (SVM), where the uncertainty of a data sample is measured by its distance to the decision boundary. Then, the result is extended to convolutional neural networks (CNN) by replacing the distance based uncertainty measure with the entropy. As demonstrated via experiments using real datasets, the proposed importance-aware scheduling can exploit the two-fold multi-user diversity, namely the diversity in both the multiuser channels and the distributed data samples. This leads to faster model convergence than the conventional scheduling schemes that exploit only a single type of diversity.

中文翻译：

---

用于通信高效边缘机器学习的数据重要性感知用户调度

随着智能移动应用程序的普及，边缘学习正在成为一种有前途的技术，可以从网络边缘生成的分布式数据中为边缘设备提供快速情报获取。边缘学习的一项关键任务是有效利用有限的无线电资源在边缘服务器上获取数据样本以进行模型训练。在本文中，我们开发了一种新的用户调度算法，用于边缘学习中的数据采集，称为（数据）重要性感知调度。这种调度算法的一个关键特征是，除了通信可靠性之外，它还考虑了数据样本的信息量。具体来说，调度决策基于数据重要性指标 (DII)，从沟通和学习的角度优雅地结合了两个“重要”指标，即，信噪比 (SNR) 和数据不确定性。我们首先针对支持向量机 (SVM) 的经典分类器推导出该指标的显式表达式，其中数据样本的不确定性通过其与决策边界的距离来衡量。然后，通过用熵替换基于距离的不确定性度量，将结果扩展到卷积神经网络 (CNN)。正如通过使用真实数据集的实验所证明的那样，所提出的重要性感知调度可以利用双重多用户多样性，即多用户信道和分布式数据样本的多样性。这导致比仅利用单一类型分集的传统调度方案更快的模型收敛。我们首先针对支持向量机 (SVM) 的经典分类器导出该指标的显式表达式，其中数据样本的不确定性通过其与决策边界的距离来衡量。然后，通过用熵替换基于距离的不确定性度量，将结果扩展到卷积神经网络 (CNN)。正如通过使用真实数据集的实验所证明的那样，所提出的重要性感知调度可以利用双重多用户多样性，即多用户信道和分布式数据样本的多样性。这导致比仅利用单一类型分集的传统调度方案更快的模型收敛。我们首先针对支持向量机 (SVM) 的经典分类器推导出该指标的显式表达式，其中数据样本的不确定性通过其与决策边界的距离来衡量。然后，通过用熵替换基于距离的不确定性度量，将结果扩展到卷积神经网络 (CNN)。正如通过使用真实数据集的实验所证明的那样，所提出的重要性感知调度可以利用双重多用户多样性，即多用户通道和分布式数据样本的多样性。这导致比仅利用单一类型分集的传统调度方案更快的模型收敛。其中数据样本的不确定性是通过其与决策边界的距离来衡量的。然后，通过用熵替换基于距离的不确定性度量，将结果扩展到卷积神经网络 (CNN)。正如通过使用真实数据集的实验所证明的那样，所提出的重要性感知调度可以利用双重多用户多样性，即多用户信道和分布式数据样本的多样性。这导致比仅利用单一类型分集的传统调度方案更快的模型收敛。其中数据样本的不确定性是通过其与决策边界的距离来衡量的。然后，通过用熵替换基于距离的不确定性度量，将结果扩展到卷积神经网络 (CNN)。正如通过使用真实数据集的实验所证明的那样，所提出的重要性感知调度可以利用双重多用户多样性，即多用户通道和分布式数据样本的多样性。这导致比仅利用单一类型分集的传统调度方案更快的模型收敛。提出的重要性感知调度可以利用双重多用户分集，即多用户信道和分布式数据样本的分集。这导致比仅利用单一类型分集的传统调度方案更快的模型收敛。提出的重要性感知调度可以利用双重多用户分集，即多用户信道和分布式数据样本的分集。这导致比仅利用单一类型分集的传统调度方案更快的模型收敛。