論文の概要: Learning Centric Power Allocation for Edge Intelligence
- arxiv url: http://arxiv.org/abs/2007.11399v1
- Date: Tue, 21 Jul 2020 07:02:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 05:55:27.069010
- Title: Learning Centric Power Allocation for Edge Intelligence
- Title（参考訳）: エッジインテリジェンスのための学習中心のパワー割り当て
- Authors: Shuai Wang, Rui Wang, Qi Hao, Yik-Chung Wu, and H. Vincent Poor
- Abstract要約: 分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。
本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。
実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
- 参考スコア（独自算出の注目度）: 84.16832516799289
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While machine-type communication (MTC) devices generate massive data, they
often cannot process this data due to limited energy and computation power. To
this end, edge intelligence has been proposed, which collects distributed data
and performs machine learning at the edge. However, this paradigm needs to
maximize the learning performance instead of the communication throughput, for
which the celebrated water-filling and max-min fairness algorithms become
inefficient since they allocate resources merely according to the quality of
wireless channels. This paper proposes a learning centric power allocation
(LCPA) method, which allocates radio resources based on an empirical
classification error model. To get insights into LCPA, an asymptotic optimal
solution is derived. The solution shows that the transmit powers are inversely
proportional to the channel gain, and scale exponentially with the learning
parameters. Experimental results show that the proposed LCPA algorithm
significantly outperforms other power allocation algorithms.
- Abstract（参考訳）: 機械型通信(MTC)デバイスは大量のデータを生成するが、限られたエネルギーと計算能力のために処理できないことが多い。
この目的のためにエッジインテリジェンスが提案され、分散データを収集し、エッジで機械学習を実行する。
しかし、このパラダイムは通信スループットではなく学習性能を最大化することが必要であり、無線チャネルの品質に応じてリソースを割り当てるだけで、有望な水充填アルゴリズムと最大ミンフェアネスアルゴリズムは効率が悪くなる。
本稿では,経験的分類誤差モデルに基づいて無線資源を割り当てる学習中心電力割当(lcpa)手法を提案する。
LCPAの知見を得るために、漸近的最適解が導出される。
この解は、送信電力がチャネルゲインに逆比例し、学習パラメータと指数関数的にスケールすることを示す。
実験の結果,lcpaアルゴリズムは他の電力割当アルゴリズムを大きく上回ることがわかった。
関連論文リスト
- Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Sampling Strategies for Static Powergrid Models [0.0]
電力フロー計算は、電力グリッドのバスの電圧の大きさを電力値から計算する反復的な方法である。
機械学習、特に人工知能ニューラルネットワークは、電力フロー計算のサロゲートとしてうまく利用された。
論文 参考訳（メタデータ） (2022-04-19T11:38:07Z) - Resource-constrained Federated Edge Learning with Heterogeneous Data:
Formulation and Analysis [8.863089484787835]
ヘテロジニアスデータによる不均一な統計的課題を解決するために, 分散されたニュートン型ニュートン型トレーニングスキームであるFedOVAを提案する。
FedOVAはマルチクラス分類問題をより単純なバイナリ分類問題に分解し、アンサンブル学習を用いてそれぞれの出力を結合する。
論文 参考訳（メタデータ） (2021-10-14T17:35:24Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Edge Intelligence for Energy-efficient Computation Offloading and
Resource Allocation in 5G Beyond [7.953533529450216]
さらに5Gは、エッジデバイス、エッジサーバ、クラウドの異種機能を活用可能な、エッジクラウドオーケストレーションネットワークである。
マルチユーザ無線ネットワークでは、多様なアプリケーション要件とデバイス間の通信のための様々な無線アクセスモードの可能性により、最適な計算オフロード方式の設計が困難になる。
深層強化学習(Dep Reinforcement Learning, DRL)は、そのような問題に限定的で精度の低いネットワーク情報で対処する新興技術である。
論文 参考訳（メタデータ） (2020-11-17T05:51:03Z) - Learning Centric Wireless Resource Allocation for Edge Computing:
Algorithm and Experiment [15.577056429740951]
Edge Intelligenceは、センサー、通信、コンピューティングコンポーネントを統合し、さまざまな機械学習アプリケーションをサポートする、新興ネットワークアーキテクチャである。
既存の方法は2つの重要な事実を無視している: 1) 異なるモデルがトレーニングデータに不均一な要求を持っている; 2) シミュレーション環境と実環境との間にはミスマッチがある。
本稿では,複数のタスクの最悪の学習性能を最大化する学習中心の無線リソース割り当て方式を提案する。
論文 参考訳（メタデータ） (2020-10-29T06:20:40Z) - 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 Machine Learning Approach for Task and Resource Allocation in Mobile
Edge Computing Based Networks [108.57859531628264]
無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。
提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
論文 参考訳（メタデータ） (2020-07-20T13:46:42Z) - Multi-agent Reinforcement Learning for Resource Allocation in IoT
networks with Edge Computing [16.129649374251088]
エンドユーザーが計算をオフロードするのは、スペクトルとリソースに対する大きな要求のためである。
本稿では,IoTエッジコンピューティングネットワークにおけるリソース割り当てを伴うオフロード機構をゲームとして定式化することによって検討する。
論文 参考訳（メタデータ） (2020-04-05T20:59:20Z)
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。