在图中找到最短路径与计算机视觉和图形中的许多问题相关，包括图像分割，形状匹配或离散表面上的测地距的计算。传统上，使用标量边缘权重的图表考虑了最短路径的概念，这使得可以通过添加各个边缘权重来计算路径的长度。然而，具有标量边缘权重的图对它们的表现率严重限制，因为通常使用边缘来编码更复杂的相互关系。在这项工作中，我们弥补了这种建模限制，并介绍了矩阵值边缘的图表中最短路径的新图形 - 理论概念。为此，我们定义了一种有意义的方式，用于量化矩阵值的边缘的路径长度，并且我们提出了一种简单但有效的算法来计算各个最短路径。虽然我们的形式主义是普遍的，因此适用于视野，图形及更远的各种环境，我们专注于在3D多种形式分析的背景下展示其优点。

In this work, we propose a communication-efficient two-layer federated learning algorithm for distributed setups including a core server and multiple edge servers with clusters of devices. Assuming different learning tasks, clusters with a same task collaborate. To implement the algorithm over wireless links, we propose a scalable clustered over-the-air aggregation scheme for the uplink with a bandwidth-limited broadcast scheme for the downlink that requires only two single resource blocks for each algorithm iteration, independent of the number of edge servers and devices. This setup is faced with interference of devices in the uplink and interference of edge servers in the downlink that are to be modeled rigorously. We first develop a spatial model for the setup by modeling devices as a Poisson cluster process over the edge servers and quantify uplink and downlink error terms due to the interference. Accordingly, we present a comprehensive mathematical approach to derive the convergence bound for the proposed algorithm including any number of collaborating clusters in the setup and provide important special cases and design remarks. Finally, we show that despite the interference in the proposed uplink and downlink schemes, the proposed algorithm achieves high learning accuracy for a variety of parameters.

神经网络几乎被广泛用于识别图像内容的任何任务。尽管已经为研究有效的网络架构，优化器和培训策略而付出了很多努力，但图像插值对神经网络性能的影响尚未得到很好的研究。此外，研究表明，神经网络通常对输入图像的微小变化敏感，从而导致其性能急剧下降。因此，我们建议在本文中使用关键点不可知的选择性网格到网格重采样（FSMR）来处理神经网络的输入数据。这种基于模型的插值方法已经表明，它能够用PSNR优于常见的插值方法。我们使用广泛的实验评估表明，根据网络体系结构和分类任务，FSMR在培训过程中的应用有助于学习过程。此外，我们表明在应用阶段使用FSMR是有益的。对于RESNET50和OXFLOWER17数据集，可以提高分类精度高达4.31个百分点。

通过增加无线设备的计算能力，以及用户和设备生成的数据的前所未有的级别，已经出现了新的分布式机器学习（ML）方法。在无线社区中，由于其通信效率及其处理非IID数据问题的能力，联邦学习（FL）特别有趣。可以通过称为空中计算（AIRCOMP）的无线通信方法加速FL训练，其利用同时上行链路传输的干扰以有效地聚合模型更新。但是，由于Aircomp利用模拟通信，因此它引入了不可避免的估计错误。在本文中，我们研究了这种估计误差对FL的收敛性的影响，并提出了一种改进资源受限无线网络的方法的转移。首先，我们通过静态通道重新传输获得最佳Aircomp电源控制方案。然后，我们调查了传递的空中流体的性能，并在流失函数上找到两个上限。最后，我们提出了一种选择最佳重传的启发式，可以在训练ML模型之前计算。数值结果表明，引入重传可能导致ML性能提高，而不会在通信或计算方面产生额外的成本。此外，我们为我们的启发式提供了模拟结果，表明它可以正确地确定不同无线网络设置和机器学习问题的最佳重传次数。

随着数据生成越来越多地在没有连接连接的设备上进行，因此与机器学习（ML）相关的流量将在无线网络中无处不在。许多研究表明，传统的无线协议高效或不可持续以支持ML，这创造了对新的无线通信方法的需求。在这项调查中，我们对最先进的无线方法进行了详尽的审查，这些方法是专门设计用于支持分布式数据集的ML服务的。当前，文献中有两个明确的主题，模拟的无线计算和针对ML优化的数字无线电资源管理。这项调查对这些方法进行了全面的介绍，回顾了最重要的作品，突出了开放问题并讨论了应用程序方案。