論文の概要: Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks

• arxiv url: http://arxiv.org/abs/2301.03220v1
• Date: Mon, 9 Jan 2023 09:30:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 18:22:49.586716
• Title: Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks
• Title（参考訳）: ワイヤレスエッジネットワークにおけるai生成コンテンツ(aigc)サービスの実現
• Authors: Hongyang Du, Zonghang Li, Dusit Niyato, Jiawen Kang, Zehui Xiong, Xuemin (Sherman) Shen, and Dong In Kim
• Abstract要約: 無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。 我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。 最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 68.00382171900975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence-Generated Content (AIGC) refers to the use of AI to automate the information creation process while fulfilling the personalized requirements of users. However, due to the instability of AIGC models, e.g., the stochastic nature of diffusion models, the quality and accuracy of the generated content can vary significantly. In wireless edge networks, the transmission of incorrectly generated content may unnecessarily consume network resources. Thus, a dynamic AIGC service provider (ASP) selection scheme is required to enable users to connect to the most suited ASP, improving the users' satisfaction and quality of generated content. In this article, we first review the AIGC techniques and their applications in wireless networks. We then present the AIGC-as-a-service (AaaS) concept and discuss the challenges in deploying AaaS at the edge networks. Yet, it is essential to have performance metrics to evaluate the accuracy of AIGC services. Thus, we introduce several image-based perceived quality evaluation metrics. Then, we propose a general and effective model to illustrate the relationship between computational resources and user-perceived quality evaluation metrics. To achieve efficient AaaS and maximize the quality of generated content in wireless edge networks, we propose a deep reinforcement learning-enabled algorithm for optimal ASP selection. Simulation results show that the proposed algorithm can provide a higher quality of generated content to users and achieve fewer crashed tasks by comparing with four benchmarks, i.e., overloading-avoidance, random, round-robin policies, and the upper-bound schemes.
• Abstract（参考訳）: 人工知能生成コンテンツ(AIGC)は、ユーザーのパーソナライズされた要求を満たしながら、情報生成プロセスを自動化するAIの使用を指す。 しかし、aigcモデルの不安定性、例えば拡散モデルの確率的性質により、生成されたコンテンツの品質と精度は著しく変化する可能性がある。 無線エッジネットワークでは、誤って生成されたコンテンツの送信がネットワークリソースを不要に消費する可能性がある。 したがって、ユーザが最も適したASPに接続できるように、動的AIGCサービスプロバイダ(ASP)の選択スキームが必要であり、生成されたコンテンツの満足度と品質が向上する。 本稿では,無線ネットワークにおけるAIGC技術とその応用について概説する。 次に、AIGC-as-a-service(AaaS)の概念を示し、エッジネットワークにAaaSをデプロイする際の課題について議論する。 しかし、AIGCサービスの正確性を評価するためには、パフォーマンス指標を持つことが不可欠である。 そこで本研究では,画像に基づく品質評価指標をいくつか紹介する。 そこで本研究では,計算資源とユーザ知覚品質評価指標の関係を説明するための汎用的かつ効果的なモデルを提案する。 無線エッジネットワークにおける効率的なAaaSを実現し、生成コンテンツの品質を最大化するために、最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。 シミュレーションの結果,提案アルゴリズムは, オーバーロード回避, ランダム, ラウンドロビンポリシ, 上りバウンド方式の4つのベンチマークとの比較により, ユーザに対してより高品質な生成コンテンツの提供が可能であり, クラッシュするタスクが少ないことを示す。

関連論文リスト

• Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
  Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。 これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。 我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
  論文  参考訳（メタデータ） (2024-11-03T07:01:13Z)
• Multi-Agent RL-Based Industrial AIGC Service Offloading over Wireless Edge Networks [19.518346220904732]
  本稿では,モデル駆動型産業用AIGC協調エッジラーニングフレームワークを提案する。 このフレームワークは、現実的なサンプル合成とエッジベースの最適化機能を活用することにより、効率的な数ショット学習を容易にすることを目的としている。
  論文  参考訳（メタデータ） (2024-05-05T15:31:47Z)
• Offloading and Quality Control for AI Generated Content Services in 6G Mobile Edge Computing Networks [18.723955271182007]
  本稿では, 逆拡散段階における拡散モデルのオフロード決定, 計算時間, 拡散ステップに対する共同最適化アルゴリズムを提案する。 実験結果から,提案アルゴリズムはベースラインよりも優れた継手最適化性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-12-11T08:36:27Z)
• A Wireless AI-Generated Content (AIGC) Provisioning Framework Empowered by Semantic Communication [53.78269720999609]
  本稿では,セマンティック通信(SemCom)を利用したAIGC(SemAIGC)の生成と伝送フレームワークを提案する。 具体的には、セマンティックエンコーダとデコーダに拡散モデルを統合し、ワークロード調整可能なトランシーバを設計する。 提案するSemAIGCフレームワークは,従来の手法に比べてレイテンシとコンテンツ品質が優れていることがシミュレーションによって検証された。
  論文  参考訳（メタデータ） (2023-10-26T18:05:22Z)
• Semantic Communications for Artificial Intelligence Generated Content (AIGC) Toward Effective Content Creation [75.73229320559996]
  本稿では,AIGCとSemComの統合の概念モデルを開発する。 AIGC技術を利用した新しいフレームワークが,意味情報のためのエンコーダおよびデコーダとして提案されている。 このフレームワークは、生成されたさまざまなタイプのコンテンツ、要求される品質、活用される意味情報に適応することができる。
  論文  参考訳（メタデータ） (2023-08-09T13:17:21Z)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• Guiding AI-Generated Digital Content with Wireless Perception [69.51950037942518]
  本稿では,AIGC(AIGC)と無線認識を統合し,デジタルコンテンツ制作の質を向上させる。 このフレームワークは、単語の正確な記述が難しいユーザの姿勢を読み取るために、新しいマルチスケール認識技術を採用し、それをスケルトン画像としてAIGCモデルに送信する。 生産プロセスはAIGCモデルの制約としてユーザの姿勢を強制するため、生成されたコンテンツはユーザの要求に適合する。
  論文  参考訳（メタデータ） (2023-03-26T04:39:03Z)
• Enabling AI Quality Control via Feature Hierarchical Edge Inference [6.490724361345847]
  本研究では,エッジサーバとそれに対応する移動体に配置された特徴ネットワークと推論ネットワークからなる特徴階層型EI(FHEI)を提案する。 より大規模な機能では、より優れたAI品質を提供する一方で、より多くの計算と通信負荷が必要になる。 提案したFHEIアーキテクチャの連成通信・計算制御が, 常にいくつかのベンチマークより優れていることが, 広範囲なシミュレーションにより検証された。
  論文  参考訳（メタデータ） (2022-11-15T02:54:23Z)

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。