論文の概要: On Improving Resource Allocations by Sharing

• arxiv url: http://arxiv.org/abs/2112.07525v1
• Date: Tue, 14 Dec 2021 16:41:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-04 14:13:21.628024
• Title: On Improving Resource Allocations by Sharing
• Title（参考訳）: 共有による資源配分改善について
• Authors: Robert Bredereck, Andrzej Kaczmarczyk, Junjie Luo, Rolf Niedermeier, Florian Sachse
• Abstract要約: 最初のリソース割り当てを前提として、リソースを再割り当てすることなくアロケーションを改善することが目標です。 我々は、中央の権威者が初期割り当てに基づいて隣人との最適な共有を計算できるようにするフォーマルなモデルを導入する。 本稿では,アロケーションの実用的・平等的社会福祉を最適化するためのアルゴリズムと,エヴァンスエージェントの数を削減するためのアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 27.43373407900506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given an initial resource allocation, where some agents may envy others or where a different distribution of resources might lead to higher social welfare, our goal is to improve the allocation without reassigning resources. We consider a sharing concept allowing resources being shared with social network neighbors of the resource owners. To this end, we introduce a formal model that allows a central authority to compute an optimal sharing between neighbors based on an initial allocation. Advocating this point of view, we focus on the most basic scenario where a resource may be shared by two neighbors in a social network and each agent can participate in a bounded number of sharings. We present algorithms for optimizing utilitarian and egalitarian social welfare of allocations and for reducing the number of envious agents. In particular, we examine the computational complexity with respect to several natural parameters. Furthermore, we study cases with restricted social network structures and, among others, devise polynomial-time algorithms in path- and tree-like (hierarchical) social networks.
• Abstract（参考訳）: あるエージェントが他のエージェントをうろついている場合や、異なるリソースの分布がより高い社会福祉につながる可能性がある場合、我々のゴールはリソースを再割り当てすることなくアロケーションを改善することである。 我々は,資源の共有という概念を,資源所有者の隣人と共有できると考えている。 この目的のために、我々は、中央の権威者が初期割り当てに基づいて隣人との最適な共有を計算できる形式モデルを導入する。 この観点からは、ソーシャルネットワーク内の2人の隣人がリソースを共有できる最も基本的なシナリオに注目し、各エージェントが有界な数の共有に参加することができる。 本稿では,利用的・平等的社会福祉の割当を最適化し,有害なエージェントの数を減らすアルゴリズムを提案する。 特に,いくつかの自然パラメータに関して計算複雑性について検討する。 さらに,ネットワーク構造が制限された事例や,パス型およびツリー型(階層型)ソーシャルネットワークにおける多項式時間アルゴリズムの考案について検討した。

関連論文リスト

• Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
  我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。 最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-02T01:36:13Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• Human-Centric Resource Allocation for the Metaverse With Multiaccess Edge Computing [4.217982035156334]
  グラフ畳み込みネットワーク(SAC-GCN)を用いたマルチエージェントソフトアクター批判に基づく適応エッジリソース割り当て手法を提案する。 SAC-GCNの有効性は,ユーザエクスペリエンスの分析,資源配分のバランス,資源利用率などを通じて実証される。
  論文  参考訳（メタデータ） (2023-12-23T18:07:46Z)
• Compressed Regression over Adaptive Networks [58.79251288443156]
  分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。 エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
  論文  参考訳（メタデータ） (2023-04-07T13:41:08Z)
• Resource-Aware Distributed Submodular Maximization: A Paradigm for Multi-Robot Decision-Making [3.5788754401889022]
  Resource-Aware Distributed Greedyは、各ロボットのオンボードリソースを独立して考慮した最初のアルゴリズムである。 RAGは、中央集権化のトレードオフを、グローバルな準最適性、分散化、ほぼ最小のオンボード計算、通信、メモリリソースのトレードオフとバランス付けます。
  論文  参考訳（メタデータ） (2022-04-15T15:47:05Z)
• Multi-resource allocation for federated settings: A non-homogeneous Markov chain model [2.552459629685159]
  連合設定において、エージェントは中央エージェントまたはサーバと協調し、エージェントが互いに情報を共有しない最適化問題を解決する。 本稿では,アジェント間通信のない単一共有リソースのフェデレーション設定における最適化問題のクラスを解決するために,AIMDアルゴリズムを簡単な方法で変更する方法について述べる。 シングルリソースのアルゴリズムを、スマートシティや共有エコノミー、その他多くのアプリケーションに出現する複数の異種共有リソースに拡張する。
  論文  参考訳（メタデータ） (2021-04-26T19:10:00Z)
• Resource allocation in dynamic multiagent systems [0.0]
  MG-RAOアルゴリズムは,マルチエージェントシステムにおける資源配分問題を解決するために開発された。 シミュレーション環境における固定リソース割り当てに対する23～28%の改善を示す。 また、揮発性システムでは、mg-raoアルゴリズムを用いて、子エージェントがすべてのエージェントのリソース割り当てをモデル化するように構成されているため、複数のエージェント群をモデル化するときのパフォーマンスは46.5%である。
  論文  参考訳（メタデータ） (2021-02-16T17:56:23Z)
• GAEA: Graph Augmentation for Equitable Access via Reinforcement Learning [50.90625274621288]
  異なるサブ人口によるリソースへの別のアクセスは、社会および社会技術ネットワークにおける一般的な問題です。 予算制約下でグラフエッジを編集することにより,ネットワークシステムにおける公平性を高めるため,新たな問題クラスであるグラフ拡張・等価アクセス(GAEA)を導入する。
  論文  参考訳（メタデータ） (2020-12-07T18:29:32Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)
• 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)

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。