論文の概要: MEET: Mobility-Enhanced Edge inTelligence for Smart and Green 6G Networks

• arxiv url: http://arxiv.org/abs/2210.15111v1
• Date: Thu, 27 Oct 2022 01:45:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 15:51:19.578444
• Title: MEET: Mobility-Enhanced Edge inTelligence for Smart and Green 6G Networks
• Title（参考訳）: meet: スマートとグリーンの6gネットワークのためのモビリティエンハンスドエッジインテリジェンス
• Authors: Yuxuan Sun, Bowen Xie, Sheng Zhou, Zhisheng Niu
• Abstract要約: 我々は、モビリティ強化エッジインテリジェンス(MEET)と呼ばれる新しいフレームワークを提案する。 MEETは、スマートでグリーンな6Gネットワークのためのインテリジェントなコネクテッドカーのセンシング、通信、コンピューティング、そしてセルフパワー機能を利用する。 展開と運用のコストが利用可能な車両に分散していることを示し、エッジインテリジェンスを低コストかつ持続的に実現できることを示します。
• 参考スコア（独自算出の注目度）: 23.910291844936683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge intelligence is an emerging paradigm for real-time training and inference at the wireless edge, thus enabling mission-critical applications. Accordingly, base stations (BSs) and edge servers (ESs) need to be densely deployed, leading to huge deployment and operation costs, in particular the energy costs. In this article, we propose a new framework called Mobility-Enhanced Edge inTelligence (MEET), which exploits the sensing, communication, computing, and self-powering capabilities of intelligent connected vehicles for the smart and green 6G networks. Specifically, the operators can incorporate infrastructural vehicles as movable BSs or ESs, and schedule them in a more flexible way to align with the communication and computation traffic fluctuations. Meanwhile, the remaining compute resources of opportunistic vehicles are exploited for edge training and inference, where mobility can further enhance edge intelligence by bringing more compute resources, communication opportunities, and diverse data. In this way, the deployment and operation costs are spread over the vastly available vehicles, so that the edge intelligence is realized cost-effectively and sustainably. Furthermore, these vehicles can be either powered by renewable energy to reduce carbon emissions, or charged more flexibly during off-peak hours to cut electricity bills.
• Abstract（参考訳）: エッジインテリジェンスは、ワイヤレスエッジでのリアルタイムトレーニングと推論の新たなパラダイムであり、ミッションクリティカルなアプリケーションを可能にする。 したがって、ベースステーション(bss)とエッジサーバ(ess)を密に配置する必要があるため、特にエネルギーコストの大幅なデプロイメントと運用コストが発生する。 本稿では、スマートでグリーンな6Gネットワークのためのインテリジェントなコネクテッドカーのセンシング、通信、コンピューティング、セルフパワー機能を活用した、モビリティ強化エッジインテリジェンス(MEET)と呼ばれる新しいフレームワークを提案する。 具体的には、オペレーターは、インフラ内車両を移動可能なBSまたはESとして組み込んで、通信や計算トラフィックの変動に合わせてより柔軟な方法でスケジュールすることができる。 一方、日和見車両の残りの計算資源は、エッジトレーニングと推論に活用され、移動性は、より多くの計算リソース、通信機会、多様なデータをもたらすことによって、エッジインテリジェンスをさらに強化することができる。 このようにして、広く利用可能な車両に配備と運用コストが分散し、エッジインテリジェンスが費用対効果で持続的に実現される。 さらに、これらの車両は再生可能エネルギーで炭素排出量を削減したり、オフピーク時間により柔軟に充電することで電力を削減できる。

関連論文リスト

• Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility [1.3812010983144802]
  本研究は、Deep Reinforcement Learning、より具体的にはDeep Q-Networks (DQN)を用いて、家庭のEVコスト削減課金政策を、タイム・オブ・ユース関税方式で識別することを目的とする。 新しいエンドユーザーフレキシビリティ・ポテンシャル報酬は、ソーラー発電の家庭がアルゴリズムの訓練とテストに使われている歴史的データ分析から推測される。
  論文  参考訳（メタデータ） (2023-10-13T12:07:36Z)
• Reducing the Environmental Impact of Wireless Communication via Probabilistic Machine Learning [2.0610589722626074]
  通信関連エネルギー消費は高く、6Gの効率向上が期待されているにもかかわらず、将来のネットワークで増加することが期待されている。 本稿では,現在および次世代のネットワーク仕様から,確率的推論手法を応用した2つの問題を要約する。 演算子特定性能封筒を維持しながら,ライブ通信ネットワーク上での既存のハードウェアのエネルギー消費を11%削減できる。
  論文  参考訳（メタデータ） (2023-09-19T09:48:40Z)
• 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)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• AI-Empowered Data Offloading in MEC-Enabled IoV Networks [40.75165195026413]
  本稿では、信頼性、セキュリティ、エネルギー管理、サービス販売者利益の4つの主要な問題に基づいて分類された、データオフロードプロセスの一部としてAIを使用する研究を調査する。 MEC対応のIoVネットワークでデータをオフロードするプロセスにおけるさまざまな課題として、高いモバイル環境における信頼性のオフロード、同一ネットワーク内のユーザに対するセキュリティ、ネットワークへの不活性化を防ぐためのエネルギ管理などがある。
  論文  参考訳（メタデータ） (2022-03-31T09:31:53Z)
• Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge Intelligence [76.96698721128406]
  モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。 本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2022-01-27T10:02:54Z)
• Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
  Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。 本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
  論文  参考訳（メタデータ） (2021-10-04T19:41:42Z)
• Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G Latency Sensitive Services [10.718353079920007]
  本論文では、無線アクセスネットワークスライスと無線リソース管理に対処するために、ネットワークの端でDeep Reinforcement Learningを利用する新しいアーキテクチャを提案する。 提案手法の有効性を,自律走行型ユースケースを考慮したコンピュータシミュレーションにより検討した。
  論文  参考訳（メタデータ） (2021-03-18T14:18:34Z)
• Multi-UAV Mobile Edge Computing and Path Planning Platform based on Reinforcement Learning [36.540396870070325]
  我々は、強化学習に基づくより良いQuality-of-Serviceとパスプランニングを提供することを目的として、新しいマルチUAVモバイルエッジコンピューティングプラットフォームを導入する。 本研究の貢献は,1) モバイルエッジコンピューティングにおけるサービス品質の最適化と,同じ強化学習フレームワークにおける経路計画,2) 端末利用者のサービス品質確保のためのシグモイド様機能の利用,3) 端末利用者の要求,リスク,幾何距離を総合的に検討することである。
  論文  参考訳（メタデータ） (2021-02-03T14:22:36Z)
• 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)
• 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。