SAGE：ハードなアップリンク予算下でのエッジ・クラウド推論のための、訓練不要のセマンティック証拠合成

arXiv cs.LG / 2026/4/22

📰 ニュースDeveloper Stack & InfrastructureModels & Research

共有:

要点

本論文は、厳しい1リクエストあたりのアップリンク・ビット予算のもとでのエッジ・クラウド協調推論では、注意（attention）に基づく重要度選択だけでは不十分であり、本質的な限界があると主張しています。
重要度の高い部分を、重要度は低いものの補完的な部分に置き換えることでサーバ精度が向上することを示し、効くのは個々の重要度ではなく、入力の多様な側面をどれだけカバーできるかだと示唆しています。
さらに、コンテンツ情報なしで空間的に一様な証拠（evidence）選択だけでも、中程度の予算域では競争力のある精度に到達できることを明らかにし、空間カバレッジの独立した価値を示しています。
これらの知見に基づき、SAGE（Semantic Attention-Guided Evidence）という訓練不要の手法を提案し、重要度フィルタリングと埋め込みの多様性サンプリングを組み合わせることで、オフロード精度でサーバ上限の約93%を達成します。
ImageNet-1Kでは、利用可能な証拠ユニットの半分未満しか送らないにもかかわらず、重要度のみの合成より大幅に優れたトレードオフを示しました。