論文の概要: TSNet-SAC: Leveraging Transformers for Efficient Task Scheduling

• arxiv url: http://arxiv.org/abs/2307.07445v1
• Date: Fri, 16 Jun 2023 04:25:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-23 12:26:25.395404
• Title: TSNet-SAC: Leveraging Transformers for Efficient Task Scheduling
• Title（参考訳）: tsnet-sac: タスクスケジューリングにトランスフォーマーを活用する
• Authors: Ke Deng, Zhiyuan He, Hao Zhang, Haohan Lin, Desheng Wang
• Abstract要約: 将来の6G Mobile Edge Computing (MEC)では、オートパイロットシステムは強力な相互依存を持つマルチモーダル処理データを必要とする。 従来のアルゴリズムは、最適なスキームを導出するために複数のイテレーションを必要とするため、リアルタイムスケジューリングには不適当である。 本稿では,TSNet の学習指導にのみアルゴリズムを利用する Transformer に基づく新しい TSNet-SAC を提案する。
• 参考スコア（独自算出の注目度）: 6.873630624967785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In future 6G Mobile Edge Computing (MEC), autopilot systems require the capability of processing multimodal data with strong interdependencies. However, traditional heuristic algorithms are inadequate for real-time scheduling due to their requirement for multiple iterations to derive the optimal scheme. We propose a novel TSNet-SAC based on Transformer, that utilizes heuristic algorithms solely to guide the training of TSNet. Additionally, a Sliding Augment Component (SAC) is introduced to enhance the robustness and resolve algorithm defects. Furthermore, the Extender component is designed to handle multi-scale training data and provide network scalability, enabling TSNet to adapt to different access scenarios. Simulation demonstrates that TSNet-SAC outperforms existing networks in accuracy and robustness, achieving superior scheduling-making latency compared to heuristic algorithms.
• Abstract（参考訳）: 将来の6G Mobile Edge Computing (MEC)では、オートパイロットシステムは強い相互依存でマルチモーダルデータを処理する必要がある。 しかし、従来のヒューリスティックアルゴリズムは、最適スキームを導出するために複数の反復を必要とするため、リアルタイムスケジューリングには不十分である。 本稿では,TSNet のトレーニングのガイドにのみヒューリスティックアルゴリズムを利用する Transformer に基づく新しい TSNet-SAC を提案する。 さらに、スライディング拡張コンポーネント(SAC)を導入し、堅牢性を高め、アルゴリズムの欠陥を解決する。 さらに、Extensionerコンポーネントは、マルチスケールのトレーニングデータを処理し、ネットワークスケーラビリティを提供するように設計されており、TSNetは異なるアクセスシナリオに適応できる。 シミュレーションにより、TSNet-SACは既存のネットワークを精度と堅牢性で上回り、ヒューリスティックアルゴリズムよりもスケジュール作成遅延が優れていることを示した。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• AutoRNet: Automatically Optimizing Heuristics for Robust Network Design via Large Language Models [3.833708891059351]
  AutoRNetは、大規模な言語モデルと進化的アルゴリズムを統合して堅牢なネットワークを生成するフレームワークである。 次数分布を維持しながら収束と多様性のバランスをとる適応適合度関数を導入する。 AutoRNetはスパースで高密度なスケールフリーネットワークで評価される。
  論文  参考訳（メタデータ） (2024-10-23T08:18:38Z)
• TS-EoH: An Edge Server Task Scheduling Algorithm Based on Evolution of Heuristic [0.6827423171182154]
  本稿では,EC理論と進化的アルゴリズムに基づく新しいタスクスケジューリング手法を提案する。 実験の結果,タスクスケジューリングアルゴリズムは従来の強化学習法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-04T10:00:32Z)
• RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
  本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。 我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。 本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T17:28:07Z)
• Latency-aware Unified Dynamic Networks for Efficient Image Recognition [72.8951331472913]
  LAUDNetは動的ネットワークの理論的および実用的な効率ギャップを橋渡しするフレームワークである。 3つの主要な動的パラダイム - 適応型計算、動的層スキップ、動的チャネルスキップ - を統合している。 これにより、V100,3090やTX2 GPUのようなプラットフォーム上で、ResNetのようなモデルの遅延を50%以上削減できる。
  論文  参考訳（メタデータ） (2023-08-30T10:57:41Z)
• A Generalization of Continuous Relaxation in Structured Pruning [0.3277163122167434]
  トレンドは、パラメータが増加するより深い、より大きなニューラルネットワークが、より小さなニューラルネットワークよりも高い精度を達成することを示している。 ネットワーク拡張, プルーニング, サブネットワーク崩壊, 削除のためのアルゴリズムを用いて, 構造化プルーニングを一般化する。 結果のCNNは計算コストのかかるスパース行列演算を使わずにGPUハードウェア上で効率的に実行される。
  論文  参考訳（メタデータ） (2023-08-28T14:19:13Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Efficient Sparsely Activated Transformers [0.34410212782758054]
  トランスフォーマーベースのニューラルネットワークは、多くの機械学習ドメインで最先端のタスクパフォーマンスを実現している。 最近の研究は、これらのネットワークへの動的挙動の混合層(mixed-of-expert layer)の形での統合について検討している。 我々は,既存のTransformerベースのネットワークとユーザ定義のレイテンシターゲットを取り入れたPLANERという新しいシステムを導入する。
  論文  参考訳（メタデータ） (2022-08-31T00:44:27Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)

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。