論文の概要: Reinforcement Learning for Caching with Space-Time Popularity Dynamics

• arxiv url: http://arxiv.org/abs/2005.09155v1
• Date: Tue, 19 May 2020 01:23:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 14:52:10.770704
• Title: Reinforcement Learning for Caching with Space-Time Popularity Dynamics
• Title（参考訳）: 時空人気ダイナミクスを用いたキャッシングの強化学習
• Authors: Alireza Sadeghi and Georgios B. Giannakis and Gang Wang and Fatemeh Sheikholeslami
• Abstract要約: キャッシングは次世代ネットワークにおいて重要な役割を果たすと想定されている。 コンテンツをインテリジェントにプリフェッチし、保存するためには、キャッシュノードは、何といつキャッシュするかを学ばなければならない。 本章では、近似キャッシングポリシー設計のための多目的強化学習に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 61.55827760294755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the tremendous growth of data traffic over wired and wireless networks along with the increasing number of rich-media applications, caching is envisioned to play a critical role in next-generation networks. To intelligently prefetch and store contents, a cache node should be able to learn what and when to cache. Considering the geographical and temporal content popularity dynamics, the limited available storage at cache nodes, as well as the interactive in uence of caching decisions in networked caching settings, developing effective caching policies is practically challenging. In response to these challenges, this chapter presents a versatile reinforcement learning based approach for near-optimal caching policy design, in both single-node and network caching settings under dynamic space-time popularities. The herein presented policies are complemented using a set of numerical tests, which showcase the merits of the presented approach relative to several standard caching policies.
• Abstract（参考訳）: 有線および無線ネットワーク上のデータトラフィックの著しい増加とリッチメディアアプリケーションの増加により、キャッシングは次世代ネットワークにおいて重要な役割を果たすものと期待されている。 コンテンツをインテリジェントにプリフェッチし、保存するために、キャッシュノードは、キャッシュの何時を学習できる必要がある。 地理的および時間的コンテンツ人気のダイナミクスを考えると、キャッシュノードでのストレージの制限、ネットワークキャッシング設定におけるキャッシュ決定のインタラクティブなインセンシング、効果的なキャッシングポリシーの開発は事実上困難である。 これらの課題に対応するため、この章では、動的時空人気下での単一ノードおよびネットワークキャッシュ設定において、ほぼ最適なキャッシュポリシー設計のための多目的強化学習に基づくアプローチを提案する。 提示されたポリシーは、いくつかの標準キャッシングポリシーに対して提示されたアプローチのメリットを示す数値テストのセットを使用して補完される。

関連論文リスト

• Efficient Inference of Vision Instruction-Following Models with Elastic Cache [76.44955111634545]
  我々は,命令追従型大規模視覚言語モデルの効率的なデプロイのための新しい戦略であるElastic Cacheを紹介する。 本稿では,冗長キャッシュを具現化する重要なキャッシュマージ戦略を提案する。 命令符号化では,キャッシュの重要性を評価するために周波数を利用する。 様々なLVLMの結果は、Elastic Cacheが効率を向上するだけでなく、言語生成における既存のプルーニングメソッドよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-25T15:29:05Z)
• A Learning-Based Caching Mechanism for Edge Content Delivery [2.412158290827225]
  5GネットワークとIoT(Internet of Things)の台頭により、ネットワークのエッジはますます拡大している。 このシフトは、特に限られたキャッシュストレージとエッジにおける多様な要求パターンのために、ユニークな課題をもたらす。 HR-Cacheは、ハザードレート(HR)順序付けの原則に基づく学習ベースのキャッシュフレームワークである。
  論文  参考訳（メタデータ） (2024-02-05T08:06:03Z)
• Predictive Edge Caching through Deep Mining of Sequential Patterns in User Content Retrievals [34.716416311132946]
  本稿では,より詳細な学習モデルを用いて,将来的なコンテンツ人気を予測する新しい予測エッジキャッシング(PEC)システムを提案する。 PECは、非常にダイナミックなコンテンツの人気に適応し、キャッシュヒット率を大幅に改善し、ユーザのコンテンツ検索遅延を低減できる。
  論文  参考訳（メタデータ） (2022-10-06T03:24:19Z)
• Accelerating Deep Learning Classification with Error-controlled Approximate-key Caching [72.50506500576746]
  我々は、近似キーキャッシングと名付けた新しいキャッシングパラダイムを提案する。 近似キャッシュはDL推論の負荷を軽減し、システムのスループットを向上するが、近似誤差を導入する。 我々は古典的なLRUと理想的なキャッシュのキャッシュシステム性能を解析的にモデル化し、期待される性能のトレース駆動評価を行い、提案手法の利点を最先端の類似キャッシュと比較した。
  論文  参考訳（メタデータ） (2021-12-13T13:49:11Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• Cocktail Edge Caching: Ride Dynamic Trends of Content Popularity with Ensemble Learning [10.930268276150262]
  エッジキャッシングは、新興のコンテンツ豊富なアプリケーションを促進する上で重要な役割を果たす。 それは、特に、非常にダイナミックなコンテンツ人気と異種キャッシュ計算など、多くの新しい課題に直面しています。 アンサンブル学習による動的人気と不均一性に対処するCocktail Edge Cachingを提案する。
  論文  参考訳（メタデータ） (2021-01-14T21:59:04Z)
• A Survey of Deep Learning for Data Caching in Edge Network [1.9798034349981157]
  本稿では,エッジネットワークにおけるデータキャッシングにおけるディープラーニングの利用について要約する。 まず、コンテンツキャッシングにおける典型的な研究トピックを概説し、ネットワーク階層構造に基づく分類を定式化する。 次に、教師なし学習から教師なし学習、強化学習まで、多くの重要なディープラーニングアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2020-08-17T12:02:32Z)
• Caching Placement and Resource Allocation for Cache-Enabling UAV NOMA Networks [87.6031308969681]
  本稿では,非直交多重アクセス(NOMA)をサポートした大規模アクセス機能を有する無人航空機(UAV)セルネットワークについて検討する。 コンテンツ配信遅延最小化のための長期キャッシュ配置と資源配分最適化問題をマルコフ決定プロセス(MDP)として定式化する。 そこで我々は,UAVがemphsoft $varepsilon$-greedy戦略を用いて行動の学習と選択を行い,行動と状態の最適な一致を探索する,Qラーニングに基づくキャッシュ配置とリソース割り当てアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-12T08:33:51Z)
• A Non-Stationary Bandit-Learning Approach to Energy-Efficient Femto-Caching with Rateless-Coded Transmission [98.47527781626161]
  小セルネットワークにおける共同キャッシュと送信のためのリソース割り当て問題について検討する。 次に、各放送ラウンドの送信電力レベルとともに、キャッシュからファイルを選択するという問題を定式化する。 最先端の研究とは対照的に、提案手法は時変統計特性を持つネットワークに特に適している。
  論文  参考訳（メタデータ） (2020-04-13T09:07:17Z)
• PA-Cache: Evolving Learning-Based Popularity-Aware Content Caching in Edge Networks [14.939950326112045]
  本稿では,エッジネットワークにおけるPAキャッシュという,学習ベースのコンテンツキャッシュポリシを提案する。 時間変化のあるコンテンツの人気を適応的に学習し、キャッシュが満杯になったときにどのコンテンツを置き換えるべきかを決定する。 提案するPAキャッシュの性能を,大規模オンラインビデオオンデマンドサービスプロバイダによる実世界のトレースで広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-20T15:38:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。