공간적으로 분산된 안테나 배열을 이용한 CSI(Channel State Information) 기반 위치 추정은 기본적인 자원 트레이드오프를 노출합니다. 각 배열은 채널에 대한 풍부한 정보를 제공할 수 있지만, 몇몇만 유용한 정보를 가지고 있을 때 모든 배열의 관측치를 융합 센터로 전송하는 것은 낭비이며, 공유 업링크는 제한된 수의 동시 전송만을 지원합니다. 우리는 각 배열이 평균 활성 송신기 수에 대한 예산(budget)을 조건으로 현재 자신의 관측치가 보고할 가치가 있는지 여부를 로컬에서 결정하도록 합니다. 우리는 이 추상화를 엣지 트리거 분산 추론(Edge-Triggered Distributed Inference, ETDI)이라고 부릅니다. 이는 자원이 제한된 장치들이 공통의 추론 작업을 위해 접근 채널을 공유하는 더 넓은 범위의 작업 지향 통신 문제들을 포괄합니다. 우리는 차량용 IoT 네트워크에서 흔한 시나리오인 CSI 기반 위치 추정에 대해 ETDI를 구현합니다. 공간적으로 분산된 원격 안테나 배열(RAA)은 사용자 장비(UE) 전송으로부터 로컬 채널 상태 정보(CSI)를 잠재 특징(latent features)으로 인코딩하고, 융합 센터는 보고된 특징의 부분 집합으로부터 UE의 위치를 추정합니다. 우리는 NARRAS라는 분산형 보고 정책을 제안하는데, 이 정책에서 각 RAA는 최근 관측치에 대한 순환 요약(recurrent summary)과 마지막으로 전송한 잠재 값의 메모리를 결합합니다. 훈련은 미분 가능한 활동 페널티와 검증-보정된 결정론적 임계값을 통해 명시적인 활동 예산을 제어하며, 잠재 기하학을 형성하기 위해 채널 차트 정규화(channel-chart regularization)를 사용합니다. 실험 결과에 따르면, 비교 가능한 업링크 활동 수준에서 NARRAS는 학습 기반 및 휴리스틱 희소 보고 전략보다 위치 추정 정확도를 향상시키며, 밀집된 전체 보고 모델은 여전히 유용한 예산 제약이 없는 참고 자료로 남아 있습니다. 낮은 활동 영역에서는 차트 정규화가 상위 백분위(high-percentile) 위치 추정 오류를 추가적으로 줄여, 기하학을 인식하는 잠재 표현이 희소 보고 환경에서 더 강력함을 시사합니다.