論文の概要: Edge Computing for Semantic Communication Enabled Metaverse: An Incentive Mechanism Design

• arxiv url: http://arxiv.org/abs/2212.06463v1
• Date: Tue, 13 Dec 2022 10:29:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 15:42:11.690176
• Title: Edge Computing for Semantic Communication Enabled Metaverse: An Incentive Mechanism Design
• Title（参考訳）: 意味コミュニケーション可能なメタバースのためのエッジコンピューティング:インセンティブ機構設計
• Authors: Nguyen Cong Luong, Quoc-Viet Pham, Thien Huynh-The, Van-Dinh Nguyen, Derrick Wing Kwan Ng, and Symeon Chatzinotas
• Abstract要約: SemComとエッジコンピューティングは、Metaverseにおける巨大なデータ通信、帯域幅効率、低レイテンシデータ処理の新たな要件に対処するための破壊的なソリューションである。 深層学習(DL)に基づくオークションは、近年、重要な経済特性を保持しながら収益を最大化するインセンティブメカニズムとして提案されている。 本稿では,SemCom対応Metaverseにおけるエッジリソース割り当てのためのDLベースのオークションの設計について述べる。
• 参考スコア（独自算出の注目度）: 72.27143788103245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic communication (SemCom) and edge computing are two disruptive solutions to address emerging requirements of huge data communication, bandwidth efficiency and low latency data processing in Metaverse. However, edge computing resources are often provided by computing service providers and thus it is essential to design appealingly incentive mechanisms for the provision of limited resources. Deep learning (DL)- based auction has recently proposed as an incentive mechanism that maximizes the revenue while holding important economic properties, i.e., individual rationality and incentive compatibility. Therefore, in this work, we introduce the design of the DLbased auction for the computing resource allocation in SemComenabled Metaverse. First, we briefly introduce the fundamentals and challenges of Metaverse. Second, we present the preliminaries of SemCom and edge computing. Third, we review various incentive mechanisms for edge computing resource trading. Fourth, we present the design of the DL-based auction for edge resource allocation in SemCom-enabled Metaverse. Simulation results demonstrate that the DL-based auction improves the revenue while nearly satisfying the individual rationality and incentive compatibility constraints.
• Abstract（参考訳）: セマンティック通信(SemCom)とエッジコンピューティングは、Metaverseにおける巨大なデータ通信、帯域幅効率、低レイテンシデータ処理の新たな要件に対処する2つの破壊的なソリューションである。 しかし、エッジコンピューティングリソースは、しばしばコンピューティングサービスプロバイダによって提供されるため、限られたリソースを提供するための魅力的なインセンティブメカニズムを設計することが不可欠である。 近年,Deep Learning(DL)ベースのオークションは,個人合理性とインセンティブの適合性という重要な経済特性を保持しながら収益を最大化するインセンティブメカニズムとして提案されている。 そこで本研究では,SemCom enabled Metaverseにおける資源割り当てのためのDLベースのオークションについて紹介する。 まず,メタバースの基礎と課題を簡単に紹介する。 第2に、SemComとエッジコンピューティングの予科を提示する。 第3に,エッジコンピューティング資源取引における様々なインセンティブ機構について考察する。 第4に、SemCom対応のMetaverseにおけるエッジリソース割り当てのためのDLベースのオークションの設計を提案する。 シミュレーションの結果,DLベースのオークションは,個々の合理性とインセンティブの整合性の制約をほぼ満たしながら収益を向上することが示された。

関連論文リスト

• A proof of contribution in blockchain using game theoretical deep learning model [4.53216122219986]
  本稿では,タスクスケジューリングとリソース提供に関して,サービス提供者間で合意に達するためのゲーム理論のディープラーニングモデルを提案する。 我々のモデルは最先端のモデルに比べてレイテンシを584%削減する。
  論文  参考訳（メタデータ） (2024-08-25T12:40:19Z)
• Multi-attribute Auction-based Resource Allocation for Twins Migration in Vehicular Metaverses: A GPT-based DRL Approach [85.65587846913793]
  車両メタバース(Vehicular Metaverses)は、近代自動車産業を強化するために開発され、コネクテッドカー間の没入的で安全な体験を提供する。 本稿では,VTsマイグレーション時の資源配分を最適化する属性対応オークション方式を提案する。 我々は、生成事前学習型変換器(GPT)に基づく深部強化学習(DRL)アルゴリズムを用いて、DDAオークション器を訓練し、オークションクロックを効率的に調整する。
  論文  参考訳（メタデータ） (2024-06-08T09:41:38Z)
• Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
  仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。 帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。 本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T15:52:37Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)
• Communication-Computation Trade-Off in Resource-Constrained Edge Inference [5.635540684037595]
  本稿では,資源制約のあるデバイスにおけるエッジ推論の効果的な手法を提案する。 エッジコンピューティングサーバが支援するデバイスとエッジのコ推論に重点を置いている。 効果的な推論のために3段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T11:00:32Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• Multi-agent Reinforcement Learning for Resource Allocation in IoT networks with Edge Computing [16.129649374251088]
  エンドユーザーが計算をオフロードするのは、スペクトルとリソースに対する大きな要求のためである。 本稿では,IoTエッジコンピューティングネットワークにおけるリソース割り当てを伴うオフロード機構をゲームとして定式化することによって検討する。
  論文  参考訳（メタデータ） (2020-04-05T20:59:20Z)

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。