論文の概要: Computation Offloading in Beyond 5G Networks: A Distributed Learning
Framework and Applications
- arxiv url: http://arxiv.org/abs/2007.08001v1
- Date: Wed, 15 Jul 2020 21:25:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 06:39:28.036680
- Title: Computation Offloading in Beyond 5G Networks: A Distributed Learning
Framework and Applications
- Title(参考訳): beyond 5gネットワークにおける計算オフロード:分散学習フレームワークとその応用
- Authors: Xianfu Chen and Celimuge Wu and Zhi Liu and Ning Zhang and Yusheng Ji
- Abstract要約: 本稿では,第5世代のネットワークにおける計算オフロードについて考察する。
計算オフロード問題をマルチエージェントマルコフ決定プロセスとして定式化する。
本稿では,オンライン分散強化学習アルゴリズムの可能性を示すために,計算オフロードにおける資源オーケストレーションのケーススタディを提案する。
- 参考スコア(独自算出の注目度): 26.276443044484918
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Facing the trend of merging wireless communications and multi-access edge
computing (MEC), this article studies computation offloading in the beyond
fifth-generation networks. To address the technical challenges originating from
the uncertainties and the sharing of limited resource in an MEC system, we
formulate the computation offloading problem as a multi-agent Markov decision
process, for which a distributed learning framework is proposed. We present a
case study on resource orchestration in computation offloading to showcase the
potentials of an online distributed reinforcement learning algorithm developed
under the proposed framework. Experimental results demonstrate that our
learning algorithm outperforms the benchmark resource orchestration algorithms.
Furthermore, we outline the research directions worth in-depth investigation to
minimize the time cost, which is one of the main practical issues that prevent
the implementation of the proposed distributed learning framework.
- Abstract(参考訳): 無線通信とマルチアクセスエッジコンピューティング(mec)を融合するトレンドに直面し,第5世代ネットワークにおける計算オフロードについて検討する。
分散学習フレームワークを提案するマルチエージェントマルコフ決定プロセスとして,MECシステムにおける不確実性と限られた資源の共有に起因する技術的課題に対処するため,計算オフロード問題を定式化する。
本稿では,計算オフロードにおける資源オーケストレーションを事例として,提案手法に基づいて開発したオンライン分散強化学習アルゴリズムの可能性を示す。
実験の結果,我々の学習アルゴリズムはベンチマークリソースオーケストレーションアルゴリズムよりも優れていた。
さらに,提案する分散学習フレームワークの実装を阻害する主な課題の一つとして,時間コストを最小限に抑えるために,深く調査する価値のある研究の方向性について概説する。
関連論文リスト
- Uncertainty Estimation in Multi-Agent Distributed Learning for AI-Enabled Edge Devices [0.0]
エッジIoTデバイスはFPGAとAIアクセラレータの導入によってパラダイムシフトを経験している。
この進歩は、エッジAIの実用性を強調し、その計算能力を大幅に増幅した。
本研究では,AI対応エッジデバイスによる分散データ処理を実現する手法について検討し,協調学習能力を向上する。
論文 参考訳(メタデータ) (2024-03-14T07:40:32Z) - Distributional Bellman Operators over Mean Embeddings [37.5480897544168]
本研究では,帰還分布の有限次元平均埋め込みを学習し,分布強化学習のための新しい枠組みを提案する。
動的プログラミングと時間差学習のための新しいアルゴリズムをこのフレームワークに基づいて提案する。
論文 参考訳(メタデータ) (2023-12-09T11:36:14Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - Online Distributed Learning over Random Networks [1.119697400073873]
本研究は, 実運用による課題として, (i) オンライン学習, (i) ローカルデータの時間的変化, (ii) 非同期エージェントの計算, (iii) 信頼性の低い限られた通信, (iv) ローカルの計算を不正確に行うことに焦点を当てる。
マルチプライヤの交互方向法(ADMM)の分散演算子理論(DOT)版を紹介する。
我々は,凸学習の問題に収束することが証明された。
論文 参考訳(メタデータ) (2023-09-01T15:18:05Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳(メタデータ) (2023-05-24T17:26:22Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳(メタデータ) (2022-11-01T14:16:05Z) - State-Augmented Learnable Algorithms for Resource Management in Wireless
Networks [124.89036526192268]
本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。
提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
論文 参考訳(メタデータ) (2022-07-05T18:02:54Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-06T13:18:31Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-27T17:38:51Z) - A Novel RL-assisted Deep Learning Framework for Task-informative Signals
Selection and Classification for Spontaneous BCIs [2.299749220980997]
一つの脳波検定からタスク関連時間信号セグメントを推定・選択する問題を定式化する。
本稿では,既存の深層学習に基づくBCI手法と組み合わせることができる新しい強化学習機構を提案する。
論文 参考訳(メタデータ) (2020-07-01T00:35:41Z) - Computation Offloading in Multi-Access Edge Computing Networks: A
Multi-Task Learning Approach [7.203439085947118]
マルチアクセスエッジコンピューティング(MEC)は、いくつかのタスクをMECサーバ(MES)に統合された近接アクセスポイント(AP)にオフロードすることで、モバイル機器が計算集約的なアプリケーションに対応できるようにする可能性をすでに示している。
しかし,MESのネットワーク条件や計算資源が限られているため,モバイル端末によるオフロード決定やMESが割り当てる計算資源は,低コストで効率よく達成できない。
我々はMECネットワークのための動的オフロードフレームワークを提案し、アップリンク非直交多重アクセス(NOMA)を用いて複数のデバイスがアップロードできるようにする。
論文 参考訳(メタデータ) (2020-06-29T15:11:10Z)
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。