論文の概要: Multi-Agent Reinforcement Learning Based Coded Computation for Mobile Ad Hoc Computing

• arxiv url: http://arxiv.org/abs/2104.07539v1
• Date: Thu, 15 Apr 2021 15:50:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 20:13:07.054676
• Title: Multi-Agent Reinforcement Learning Based Coded Computation for Mobile Ad Hoc Computing
• Title（参考訳）: マルチエージェント強化学習に基づくモバイルアドホックコンピューティングのための符号化計算
• Authors: Baoqian Wang, Junfei Xie, Kejie Lu, Yan Wan, Shengli Fu
• Abstract要約: マルチエージェント強化学習(MARL)に基づく新しい符号化計算方式を提案する。 MARLには、ネットワーク変更への適応性、高い効率性、不確実なシステム障害に対する堅牢性など、多くの有望な特徴がある。 包括的シミュレーション研究により,提案手法は最先端分散コンピューティングスキームを上回ることができることが示された。
• 参考スコア（独自算出の注目度）: 6.94732606123235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile ad hoc computing (MAHC), which allows mobile devices to directly share their computing resources, is a promising solution to address the growing demands for computing resources required by mobile devices. However, offloading a computation task from a mobile device to other mobile devices is a challenging task due to frequent topology changes and link failures because of node mobility, unstable and unknown communication environments, and the heterogeneous nature of these devices. To address these challenges, in this paper, we introduce a novel coded computation scheme based on multi-agent reinforcement learning (MARL), which has many promising features such as adaptability to network changes, high efficiency and robustness to uncertain system disturbances, consideration of node heterogeneity, and decentralized load allocation. Comprehensive simulation studies demonstrate that the proposed approach can outperform state-of-the-art distributed computing schemes.
• Abstract（参考訳）: モバイルデバイスが自身のコンピューティングリソースを直接共有できるモバイルアドホックコンピューティング(MAHC)は、モバイルデバイスが必要とするコンピューティングリソースの需要の増加に対応するための、有望なソリューションである。 しかしながら,ノードの移動性,不安定で未知の通信環境,異質なデバイスの性質などにより,トポロジの変更やリンク障害が頻繁に発生するため,モバイルデバイスから他のモバイルデバイスへの計算タスクのオフロードは困難な課題である。 本稿では,ネットワーク変更への適応性,不確実なシステム障害に対する高効率性とロバスト性,ノードの不均一性の検討,分散負荷配分など,多くの有望な特徴を有するマルチエージェント強化学習(MARL)に基づく新しい符号化計算手法を提案する。 包括的シミュレーション研究により,提案手法は最先端分散コンピューティングスキームを上回ることができることが示された。

関連論文リスト

• Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
  移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。 深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
  論文  参考訳（メタデータ） (2024-12-21T10:18:55Z)
• Latency-Aware Resource Allocation for Mobile Edge Generation and Computing via Deep Reinforcement Learning [46.98737813782529]
  本稿では,MEGCシステムにおける共同通信,計算,AIGC資源割り当て問題について検討する。 レイテンシの問題が最初に定式化され、モバイルユーザのサービス品質が向上する。 そこで本研究では,これを効率的に解くための深層強化学習に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-04T14:53:44Z)
• Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
  効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。 本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
  論文  参考訳（メタデータ） (2023-10-08T08:55:03Z)
• 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)
• Slimmable Encoders for Flexible Split DNNs in Bandwidth and Resource Constrained IoT Systems [12.427821850039448]
  本稿では,スリム化可能なアンサンブルエンコーダに基づく分割計算手法を提案する。 私たちの設計の主な利点は、計算負荷と送信データサイズを最小限のオーバーヘッドと時間でリアルタイムで適応できることです。 本モデルでは,圧縮効率や実行時間,特にモバイルデバイスの弱い状況において,既存のソリューションよりも優れています。
  論文  参考訳（メタデータ） (2023-06-22T06:33:12Z)
• 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)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• 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)
• 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。