論文の概要: Congestion-aware Distributed Task Offloading in Wireless Multi-hop Networks Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2312.02471v1
• Date: Tue, 5 Dec 2023 03:46:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-06 16:51:13.203647
• Title: Congestion-aware Distributed Task Offloading in Wireless Multi-hop Networks Using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた無線マルチホップネットワークにおける混雑対応分散タスクオフロード
• Authors: Zhongyuan Zhao and Jake Perazzone and Gunjan Verma and Santiago Segarra
• Abstract要約: 既存のオフロード方式は主にモバイルデバイスとサーバに焦点を当て、複数のモバイルデバイスからのタスクによるネットワークの混雑を無視する。 本稿では,グラフベース機械学習を用いて分散グリードフレームワークを増強し,分散タスクオフロード方式を提案する。 提案手法は,コンテキストに依存しないベースライン下での混雑や不安定な待ち行列の低減に有効であるとともに,ローカルコンピューティングによる実行遅延の改善にも有効である。
• 参考スコア（独自算出の注目度）: 33.79834562046449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational offloading has become an enabling component for edge intelligence in mobile and smart devices. Existing offloading schemes mainly focus on mobile devices and servers, while ignoring the potential network congestion caused by tasks from multiple mobile devices, especially in wireless multi-hop networks. To fill this gap, we propose a low-overhead, congestion-aware distributed task offloading scheme by augmenting a distributed greedy framework with graph-based machine learning. In simulated wireless multi-hop networks with 20-110 nodes and a resource allocation scheme based on shortest path routing and contention-based link scheduling, our approach is demonstrated to be effective in reducing congestion or unstable queues under the context-agnostic baseline, while improving the execution latency over local computing.
• Abstract（参考訳）: 計算オフロードは、モバイルおよびスマートデバイスにおけるエッジインテリジェンスの有効成分となっている。 既存のオフロード方式は主にモバイルデバイスとサーバに重点を置いているが、複数のモバイルデバイス、特に無線マルチホップネットワークによるタスクによるネットワークの混雑を無視している。 このギャップを埋めるために,分散グリーディフレームワークをグラフベース機械学習で拡張することにより,低オーバーヘッドで混雑を考慮した分散タスクオフロード方式を提案する。 20-110ノードを有するシミュレーション無線マルチホップネットワークと最短経路ルーティングと競合ベースのリンクスケジューリングに基づくリソース割り当てスキームにおいて,提案手法は,ローカルコンピューティングよりも実行遅延を改善しつつ,コンテキスト依存ベースライン下での混雑や不安定なキューの削減に有効であることを実証した。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Decentralized Task Offloading and Load-Balancing for Mobile Edge Computing in Dense Networks [48.160716521203256]
  本稿では,多数のデバイスとエッジサーバを備えた高密度ネットワークにおける分散タスクオフロードとロードバランシングの問題について検討する。 提案手法は,平均フィールドマルチエージェントマルチアームバンディット(MAB)ゲームと,サーバの報酬を調整するロードバランシング技術を組み合わせることで,ターゲットの人口プロファイルを実現する。
  論文  参考訳（メタデータ） (2024-06-24T08:18:36Z)
• Graph Neural Networks for Power Allocation in Wireless Networks with Full Duplex Nodes [10.150768420975155]
  ユーザ間の相互干渉のため、無線ネットワークにおける電力割り当て問題はしばしば自明ではない。 グラフグラフニューラルネットワーク(GNN)は、これらの問題に対処するための有望なアプローチとして最近登場し、無線ネットワークの基盤となるトポロジを活用するアプローチである。
  論文  参考訳（メタデータ） (2023-03-27T10:59:09Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
  第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。 本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
  論文  参考訳（メタデータ） (2022-05-27T13:09:29Z)
• Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks [37.84368235950714]
  グラフ畳み込みネットワーク(GCN)を用いたリンクスペーシフィケーションのための分散スキームを提案する。 中規模の無線ネットワークにおいて,提案するスパーススケジューラは,フレディなスケジューラによって達成される総容量の70%近くを保持し,しきい値に基づくスケジューラポリシーを破る。
  論文  参考訳（メタデータ） (2022-03-27T16:02:12Z)
• Scalable Power Control/Beamforming in Heterogeneous Wireless Networks with Graph Neural Networks [6.631773993784724]
  そこで本研究では,HIGNN(heterogeneous Interference Graphural Network)という,教師なし学習に基づく新しいフレームワークを提案する。 HIGNNは、小型ネットワークで訓練された後、堅牢なパフォーマンスで拡大するサイズのワイヤレスネットワークにスケーラブルです。
  論文  参考訳（メタデータ） (2021-04-12T13:36:32Z)
• Distributed Scheduling using Graph Neural Networks [38.74504118887024]
  無線ネットワークの設計における根本的な問題は、送信を分散的に効率的にスケジュールすることである。 グラフ畳み込みネットワーク(GCN)に基づく分散MWISソルバを提案する。 簡単に言えば、トレーニング可能なGCNモジュールは、greedyソルバを呼び出す前に、ネットワーク重みと結合されたトポロジ対応ノードの埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-11-18T18:00:45Z)
• Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line and Off-policy Bandit Solutions [30.606518785629046]
  高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。 本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。 提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
  論文  参考訳（メタデータ） (2020-08-14T11:48:13Z)
• Caching Placement and Resource Allocation for Cache-Enabling UAV NOMA Networks [87.6031308969681]
  本稿では,非直交多重アクセス(NOMA)をサポートした大規模アクセス機能を有する無人航空機(UAV)セルネットワークについて検討する。 コンテンツ配信遅延最小化のための長期キャッシュ配置と資源配分最適化問題をマルコフ決定プロセス(MDP)として定式化する。 そこで我々は,UAVがemphsoft $varepsilon$-greedy戦略を用いて行動の学習と選択を行い,行動と状態の最適な一致を探索する,Qラーニングに基づくキャッシュ配置とリソース割り当てアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-12T08:33:51Z)
• Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
  本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。 本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-30T10:05:35Z)

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。