論文の概要: Learning to Optimize Resource Assignment for Task Offloading in Mobile Edge Computing

• arxiv url: http://arxiv.org/abs/2203.09954v1
• Date: Tue, 15 Mar 2022 10:17:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-27 05:09:03.238956
• Title: Learning to Optimize Resource Assignment for Task Offloading in Mobile Edge Computing
• Title（参考訳）: モバイルエッジコンピューティングにおけるタスクオフロードのためのリソース割り当て最適化の学習
• Authors: Yurong Qian, Jindan Xu, Shuhan Zhu, Wei Xu, Lisheng Fan, and George K. Karagiannidis
• Abstract要約: 深層学習(DL)を適用した知的BnB(IBnB)アプローチを提案し,BnBアプローチの刈り取り戦略を学習する。 この学習手法を用いることで、BnBアプローチの構造は、ほぼ最適性能を保証し、DLベースのプルーニング戦略は複雑さを著しく低減する。
• 参考スコア（独自算出の注目度）: 35.69975917554333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we consider a multiuser mobile edge computing (MEC) system, where a mixed-integer offloading strategy is used to assist the resource assignment for task offloading. Although the conventional branch and bound (BnB) approach can be applied to solve this problem, a huge burden of computational complexity arises which limits the application of BnB. To address this issue, we propose an intelligent BnB (IBnB) approach which applies deep learning (DL) to learn the pruning strategy of the BnB approach. By using this learning scheme, the structure of the BnB approach ensures near-optimal performance and meanwhile DL-based pruning strategy significantly reduces the complexity. Numerical results verify that the proposed IBnB approach achieves optimal performance with complexity reduced by over 80%.
• Abstract（参考訳）: 本稿では,マルチユーザ・モバイル・エッジ・コンピューティング (mec) システムについて検討する。 従来のブランチ・アンド・バウンド(BnB)アプローチはこの問題の解決に応用できるが、計算複雑性の大きな負担が生じ、BnBの適用が制限される。 この問題に対処するために,BnBアプローチのプルーニング戦略を学ぶために,ディープラーニング(DL)を適用したインテリジェントBnB(IBnB)アプローチを提案する。 この学習手法を用いることで、BnBアプローチの構造がほぼ最適性能を保証し、一方、DLベースのプルーニング戦略は複雑さを著しく低減する。 数値計算により,提案手法は複雑性を80%以上低減した最適性能を実現する。

関連論文リスト

• 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)
• 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)
• Planning to the Information Horizon of BAMDPs via Epistemic State Abstraction [27.33232096515561]
  ベイズ適応マルコフ決定過程 (Bayes-Adaptive Markov Decision Process, BAMDP) は、強化学習における探索・探索のトレードオフに対するベイズ最適解を追求する形式である。 文献の多くは適切な近似アルゴリズムの開発に重点を置いている。 BAMDP計画の複雑さの尺度として,まず軽微な構造的仮定で定義する。 そして、BAMDPの複雑性を低減し、計算可能で近似的な計画アルゴリズムを生み出す可能性を備えた、特定の状態抽象化形式を導入することで、結論付ける。
  論文  参考訳（メタデータ） (2022-10-30T16:30:23Z)
• Quant-BnB: A Scalable Branch-and-Bound Method for Optimal Decision Trees with Continuous Features [5.663538370244174]
  本稿では,分岐とバウンド(BnB)に基づく新たな離散最適化手法を提案する。 提案アルゴリズムのQuant-BnBは,様々な実データセット上での浅い最適木に対する既存手法と比較して,大幅な高速化を示す。
  論文  参考訳（メタデータ） (2022-06-23T17:19:29Z)
• ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
  バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。 既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。 本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
  論文  参考訳（メタデータ） (2021-10-13T19:36:50Z)
• Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
  ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。 活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
  論文  参考訳（メタデータ） (2021-04-14T09:22:42Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Block Layer Decomposition schemes for training Deep Neural Networks [0.0]
  ディープフィードフォワードネットワーク(DFNN)の重み付け推定は、多くの局所的(グローバルではない)最小化器、サドル点、および大きな台地を持つ非常に大きな非コーディネート最適化問題に依存する。 その結果、最適化アルゴリズムは、悪い解決策につながる可能性があるか、最適化プロセスを遅くすることができるローカルな最小化器に惹きつけることができる。
  論文  参考訳（メタデータ） (2020-03-18T09:53:40Z)
• Sparse Optimization for Green Edge AI Inference [28.048770388766716]
  エネルギー効率の良いエッジAI推論を実現するために,共同推論タスク選択とダウンリンクビームフォーミング戦略を提案する。 タスク選択の集合とグループ間隔送信ビームフォーミングベクトルとの固有の接続を利用して、グループスパースビームフォーミング問題として最適化を再構成する。 我々は,グローバル収束解析を確立し,このアルゴリズムのエルゴード最悪の収束率を提供する。
  論文  参考訳（メタデータ） (2020-02-24T05:21:58Z)

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。