Edge Computing and Few-shot Learning Featured Intelligent Framework in Digital Twin empowered Mobile Networks
发表期刊：IEEE Transactions on Network and Service Management(中科院2区)数字孪生（DT）和移动网络在物联网（IoT）中演变出了智能形式。在本工作中，我们考虑了一个数字孪生移动网络（DTMN）场景，其中多媒体样本较少。面对少量样本知识提取、与多媒体数据动态变化的稳定交互、在低资源移动网络中节省时间和隐私的挑战，我们提出了一种具有边缘计算和少样本学习特性的智能框架。考虑到传输的时效性和移动网络中直接上传的隐私风险，我们部署边缘计算在本地运行网络进行分析，从而节省时间卸载计算请求，并通过加密原始数据提高隐私性。受图中的显著关系表示启发，我们在云端构建了图神经网络（GNN），将物理移动系统映射到数字孪生中的虚拟实体，从而在云端使用边缘上传的少量样本进行语义推理。偶尔，GNN中的节点特征可能会收敛到相似的非判别性嵌入，导致灾难性的不稳定现象。因此，在云端构建了一个迭代重新加权和丢弃结构（IRDS），尽管如此，它仍然对边缘不确定性提供了稳定性。作为IRDS的一部分，我们提出了一种丢弃边缘和节点（Edge&Node）方案，随机移除某些节点和边，这不仅增强了图邻接模式的区分能力，还提供了基于随机策略的数据加密。我们展示了一个社交网络中图像分类的实现案例，在公共数据集上的实验表明，我们的框架具有用户友好的优势，并具有显著智能。
