論文の概要: To Risk or Not to Risk: Learning with Risk Quantification for IoT Task Offloading in UAVs

• arxiv url: http://arxiv.org/abs/2302.07399v1
• Date: Tue, 14 Feb 2023 23:50:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 16:09:07.043711
• Title: To Risk or Not to Risk: Learning with Risk Quantification for IoT Task Offloading in UAVs
• Title（参考訳）: リスクかリスクか - uavにおけるiotタスクオフロードのリスク定量化による学習
• Authors: Anne Catherine Nguyen, Turgay Pamuklu, Aisha Syed, W. Sean Kennedy, Melike Erol-Kantarci
• Abstract要約: スマートファームのIoTネットワークのための意思決定アルゴリズムをタスクオフロードするために,深層強化学習技術が提案されている。 この技術は、コスト関数や条件変数のリスク(CVaR)といった金融的概念を用いて、リスク行動ごとに生じる損傷を定量化する。 提案手法は,他の深部強化学習手法と2つの固定ルールベース手法と比較した。 シミュレーションの結果,CVaRに基づくリスク手法は,火災検知タスクの期限を超過した最も危険なリスクを排除した。
• 参考スコア（独自算出の注目度）: 3.6118662460334527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A deep reinforcement learning technique is presented for task offloading decision-making algorithms for a multi-access edge computing (MEC) assisted unmanned aerial vehicle (UAV) network in a smart farm Internet of Things (IoT) environment. The task offloading technique uses financial concepts such as cost functions and conditional variable at risk (CVaR) in order to quantify the damage that may be caused by each risky action. The approach was able to quantify potential risks to train the reinforcement learning agent to avoid risky behaviors that will lead to irreversible consequences for the farm. Such consequences include an undetected fire, pest infestation, or a UAV being unusable. The proposed CVaR-based technique was compared to other deep reinforcement learning techniques and two fixed rule-based techniques. The simulation results show that the CVaR-based risk quantifying method eliminated the most dangerous risk, which was exceeding the deadline for a fire detection task. As a result, it reduced the total number of deadline violations with a negligible increase in energy consumption.
• Abstract（参考訳）: スマートファームモノのインターネット(IoT)環境におけるマルチアクセスエッジコンピューティング(MEC)支援無人航空機(UAV)ネットワークのためのタスクオフロード決定アルゴリズムについて,深層強化学習手法を提案する。 タスクオフロード技術は、コスト関数や条件変数のリスク(CVaR)といった金融的概念を用いて、リスクアクション毎に発生するダメージを定量化する。 このアプローチは、強化学習エージェントを訓練する潜在的なリスクを定量化し、農場にとって不可逆的な結果をもたらす危険行動を避けることができた。 その結果、検出されていない火災、害虫の寄生、UAVが使用不能となる。 提案手法は他の深層強化学習手法と2つの固定ルールベース手法と比較した。 シミュレーションの結果,CVaRに基づくリスク定量化手法は,火災検知タスクの期限を超過した最も危険なリスクを排除した。 その結果、エネルギー消費の無視できる増加に伴い、期限違反の総数を削減した。

関連論文リスト

• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Risk Management of Unmanned Aerial Vehicles [0.0]
  本稿では無人航空機や無人航空機の効率的なリスク管理モデルを提案する。 多くの分野でUAVやドローンの利用が増加し、異なる脅威が存在することが、それらに対して効率的なリスク管理方法を持つことの主な理由である。
  論文  参考訳（メタデータ） (2023-11-07T10:46:08Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• On the Security Risks of Knowledge Graph Reasoning [71.64027889145261]
  我々は、敵の目標、知識、攻撃ベクトルに応じて、KGRに対するセキュリティ脅威を体系化する。 我々は、このような脅威をインスタンス化する新しいタイプの攻撃であるROARを提示する。 ROARに対する潜在的な対策として,潜在的に有毒な知識のフィルタリングや,対向的な拡張クエリによるトレーニングについて検討する。
  論文  参考訳（メタデータ） (2023-05-03T18:47:42Z)
• SOTIF Entropy: Online SOTIF Risk Quantification and Mitigation for Autonomous Driving [16.78084912175149]
  本稿では,SOTIFリスクを最小化するための体系的アプローチとして,自己監視・自己適応システムを提案する。 このシステムのコアは、自動運転車内で実装された人工知能アルゴリズムのリスクモニタリングである。 固有認識アルゴリズムのリスクと外部衝突のリスクは、SOTIFエントロピーを介して共同で定量化される。
  論文  参考訳（メタデータ） (2022-11-08T05:02:12Z)
• Just-In-Time Learning for Operational Risk Assessment in Power Grids [12.939739997360016]
  再生可能エネルギーのかなりのシェアを持つグリッドでは、オペレーターは運用リスクを評価するための追加のツールが必要である。 本稿では,Just-In-Time Risk Assessment Learning Framework (JITRALF) を代替として提案する。 JITRALFは、リスクを見積もるために必要な量を予測するために、機械学習(ML)を使用して、1日に1時間に1回のリスクサロゲートをトレーニングする。
  論文  参考訳（メタデータ） (2022-09-26T15:11:27Z)
• Risk-Aware Learning for Scalable Voltage Optimization in Distribution Grids [19.0428894025206]
  本稿では、反応電力予測や電圧偏差に伴う潜在的なリスクを考慮し、学習可能なアプローチを改善することを目的とする。 具体的には,最悪の事例のみに基づいて,条件付きリスク損失(CVaR)を用いて,そのようなリスクを測定することを提案する。 そこで本研究では, CVaR損失目標に基づくトレーニングプロセスを加速するために, 最悪のサンプルを含む可能性が低いミニバッチを選択することを提案する。
  論文  参考訳（メタデータ） (2021-10-04T15:00:13Z)
• Automatic Risk Adaptation in Distributional Reinforcement Learning [26.113528145137497]
  実践的応用における強化学習(RL)エージェントの使用は、最適以下の結果を考慮する必要がある。 これは特に安全クリティカルな環境において重要であり、エラーは高いコストや損害をもたらす可能性がある。 リスク認識エージェントとリスク認識エージェントの両方と比較して, 失敗率を最大7倍に低下させ, 一般化性能を最大14%向上させた。
  論文  参考訳（メタデータ） (2021-06-11T11:31:04Z)
• Mean-Variance Policy Iteration for Risk-Averse Reinforcement Learning [75.17074235764757]
  割引無限地平線MDPにおけるリスク・アバース制御の枠組みを提案する。 MVPIは、政策評価方法やリスクニュートラル制御手法を棚から外すためのリスク・アバース制御に投入できる点において、非常に柔軟性がある。 この柔軟性は、リスク中立制御とリスク逆制御のギャップを減らし、新しい拡張MDPの開発によって達成される。
  論文  参考訳（メタデータ） (2020-04-22T22:23:44Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。