論文の概要: A reinforcement learning approach to improve communication performance
and energy utilization in fog-based IoT
- arxiv url: http://arxiv.org/abs/2106.00654v1
- Date: Tue, 1 Jun 2021 17:38:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 13:58:50.707779
- Title: A reinforcement learning approach to improve communication performance
and energy utilization in fog-based IoT
- Title（参考訳）: フォグベースのIoTにおける通信性能とエネルギー利用向上のための強化学習手法
- Authors: Babatunji Omoniwa, Maxime Gueriau and Ivana Dusparic
- Abstract要約: 本稿では,各移動体フォグ中継エージェント(MFRA)が自律エージェントによって制御される,Qラーニングに基づく分散型アプローチを提案する。
当社のアプローチでは、データの信頼性を確保し、全体のエネルギーコストを56.76%削減できる -- 88.03%。
- 参考スコア（独自算出の注目度）: 3.158346511479111
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent research has shown the potential of using available mobile fog devices
(such as smartphones, drones, domestic and industrial robots) as relays to
minimize communication outages between sensors and destination devices, where
localized Internet-of-Things services (e.g., manufacturing process control,
health and security monitoring) are delivered. However, these mobile relays
deplete energy when they move and transmit to distant destinations. As such,
power-control mechanisms and intelligent mobility of the relay devices are
critical in improving communication performance and energy utilization. In this
paper, we propose a Q-learning-based decentralized approach where each mobile
fog relay agent (MFRA) is controlled by an autonomous agent which uses
reinforcement learning to simultaneously improve communication performance and
energy utilization. Each autonomous agent learns based on the feedback from the
destination and its own energy levels whether to remain active and forward the
message, or become passive for that transmission phase. We evaluate the
approach by comparing with the centralized approach, and observe that with
lesser number of MFRAs, our approach is able to ensure reliable delivery of
data and reduce overall energy cost by 56.76\% -- 88.03\%.
- Abstract（参考訳）: 近年の研究では、利用可能なモバイルフォグデバイス(スマートフォン、ドローン、国内および産業用ロボットなど)をリレーとして、センサーと目的地デバイス間の通信停止を最小限に抑える可能性を実証している。
しかし、移動中のリレーは移動時にエネルギーを減らし、遠隔地へ送信する。
したがって、中継装置の電力制御機構とインテリジェントモビリティは、通信性能とエネルギー利用の改善に不可欠である。
本稿では,各移動式フォグ中継エージェント(MFRA)を,強化学習を用いて通信性能とエネルギー利用を同時に向上させる自律エージェントによって制御する,Qラーニングに基づく分散型アプローチを提案する。
それぞれの自律エージェントは、目的地とそのエネルギーレベルからのフィードバックに基づいて、メッセージの送信を継続するか、送信フェーズに受動的になるかを学習する。
本手法は集中型アプローチと比較し,MFRAの少ない数で信頼性の高いデータ配信を実現し,全体のエネルギーコストを 56.76\% -- 88.03\% 削減できることを示した。
関連論文リスト
- Exploring the Practicality of Federated Learning: A Survey Towards the Communication Perspective [1.088537320059347]
Federated Learning(FL)は、プライバシ保護、分散機械学習の大幅な進歩を提供する、有望なパラダイムである。
しかし、FLシステムの実践的な展開は、通信オーバーヘッドという大きなボトルネックに直面している。
本研究は,通信効率FLにおける様々な戦略と進歩について検討する。
論文 参考訳（メタデータ） (2024-05-30T19:21:33Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - Decentralized federated learning methods for reducing communication cost
and energy consumption in UAV networks [8.21384946488751]
無人航空機(UAV)は、商品の配送、リアルタイム道路交通のマッピング、汚染の監視など、現代のスマートシティにおいて多くの役割を担っている。
従来のドローンの機械学習モデルは、データのプライバシー問題、通信コスト、エネルギー制限に遭遇する。
本稿では,UAVネットワークのための分散学習(DFL-UN)の既存アーキテクチャをベースとした,通信FLと代替FLの2つのアグリゲーション手法を提案する。
論文 参考訳（メタデータ） (2023-04-13T14:00:34Z) - The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳（メタデータ） (2022-12-21T03:37:38Z) - Towards Energy Efficient Distributed Federated Learning for 6G Networks [9.386341375741225]
IoT/エッジデバイスは、機械学習技術を使用してモデルをトレーニングするために、データをベースステーションに直接送信する必要がある。
データ送信は、セキュリティ上の問題や金銭的損失につながる可能性のあるプライバシーの問題をもたらす。
遠隔デバイスにおける接続性とエネルギー効率の問題を克服する分散連合学習(DBFL)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-19T06:37:57Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文 参考訳（メタデータ） (2020-12-22T02:54:18Z) - Communication Efficient Federated Learning with Energy Awareness over
Wireless Networks [51.645564534597625]
フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。
我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。
2つの最適化問題を定式化し、学習性能を最適化する。
FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話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） (2020-04-15T21:25:13Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。