論文の概要: Collaborative Optimization of the Age of Information under Partial Observability

• arxiv url: http://arxiv.org/abs/2312.12977v1
• Date: Wed, 20 Dec 2023 12:34:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 15:39:51.344606
• Title: Collaborative Optimization of the Age of Information under Partial Observability
• Title（参考訳）: 部分観測可能性下における情報時代の協調的最適化
• Authors: Anam Tahir, Kai Cui, Bastian Alt, Amr Rizk, Heinz Koeppl
• Abstract要約: Age of Information (AoI)は、受信側におけるセンサーと制御データの鮮度である。 我々は、容量制限の非FIFO二重チャネルを共有する多数のセンサエージェントに対して、分散AoI最小化伝送ポリシーを考案する。 また、平均場制御近似と強化学習を利用して、スケーラブルで最適なソリューションを導出する。
• 参考スコア（独自算出の注目度）: 34.43476648472727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The significance of the freshness of sensor and control data at the receiver side, often referred to as Age of Information (AoI), is fundamentally constrained by contention for limited network resources. Evidently, network congestion is detrimental for AoI, where this congestion is partly self-induced by the sensor transmission process in addition to the contention from other transmitting sensors. In this work, we devise a decentralized AoI-minimizing transmission policy for a number of sensor agents sharing capacity-limited, non-FIFO duplex channels that introduce random delays in communication with a common receiver. By implementing the same policy, however with no explicit inter-agent communication, the agents minimize the expected AoI in this partially observable system. We cater to the partial observability due to random channel delays by designing a bootstrap particle filter that independently maintains a belief over the AoI of each agent. We also leverage mean-field control approximations and reinforcement learning to derive scalable and optimal solutions for minimizing the expected AoI collaboratively.
• Abstract（参考訳）: 情報化時代(AoI)と呼ばれる受信側におけるセンサと制御データの鮮度の重要性は、限られたネットワークリソースに対する競合によって根本的に制限される。 明らかに、ネットワークの混雑は、他の送信センサからの競合に加えて、センサーの送信プロセスによって部分的に自己誘導されるaoiにとって有害である。 本研究では,複数のセンサエージェントに対して,共通受信機との通信にランダムな遅延をもたらす容量制限の非FIFO二重チャネルを共有する分散AoI最小化伝送ポリシーを考案する。 しかし、エージェントは、明示的なエージェント間通信なしで同じポリシーを実装することで、この部分的に観測可能なシステムにおいて期待されるAoIを最小化する。 各エージェントのaoiに対する信念を独立に維持するブートストラップ粒子フィルタを設計し,ランダムチャネル遅延による部分可観測性に対応する。 また、平均場制御近似と強化学習を利用して、期待するAoIを最小化するためのスケーラブルで最適なソリューションを導出する。

関連論文リスト

• Privacy Preserving Semi-Decentralized Mean Estimation over Intermittently-Connected Networks [59.43433767253956]
  信頼できない無線ネットワークの異なるノードに分散するベクトルの平均をプライベートに推定する問題を考える。 半分散的なセットアップでは、ノードは隣人と協力してローカルコンセンサスを計算し、中央サーバにリレーする。 ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
  論文  参考訳（メタデータ） (2024-06-06T06:12:15Z)
• Cooperative Probabilistic Trajectory Forecasting under Occlusion [110.4960878651584]
  隠蔽対象の情報を安全なナビゲーションのためにエゴエージェントに伝達する必要がある場合が多い。 本稿では,エゴエージェントの基準フレームにおける閉塞歩行者の現況を協調的に推定するエンド・ツー・エンドネットワークを設計する。 また,エゴ剤による閉塞歩行者の不確実性を考慮した軌道予測は,閉塞を前提とした地上の真実軌道とほぼ同様であることを示した。
  論文  参考訳（メタデータ） (2023-12-06T05:36:52Z)
• Compressed Regression over Adaptive Networks [58.79251288443156]
  分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。 エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
  論文  参考訳（メタデータ） (2023-04-07T13:41:08Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)
• Cooperative Actor-Critic via TD Error Aggregation [12.211031907519827]
  本稿では、プライバシー問題に違反しないTDエラーアグリゲーションを備えた分散型アクター批判アルゴリズムを提案する。 我々は,各エージェントが平均目標関数を最大化するために,ステップサイズを小さくして収束解析を行う。
  論文  参考訳（メタデータ） (2022-07-25T21:10:39Z)
• Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT [55.62157530259969]
  本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。 本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。 数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
  論文  参考訳（メタデータ） (2021-08-17T08:38:31Z)
• Wireless Federated Learning with Limited Communication and Differential Privacy [21.328507360172203]
  本稿では,空力計算(AirComp)に基づくフェデレーション学習(FL)モデルにおいて,リモートユーザにおけるローカルデータセットの効率的な通信と差分プライバシー(DP)における次元性低減の役割について検討する。
  論文  参考訳（メタデータ） (2021-06-01T15:23:12Z)
• Gaussian Process Based Message Filtering for Robust Multi-Agent Cooperation in the Presence of Adversarial Communication [5.161531917413708]
  マルチエージェントシステムにおける敵通信に対する堅牢性の提供という課題について考察する。 グラフニューラルネットワーク(GNN)に基づく通信アーキテクチャを提案する。 本手法は,非協力的エージェントがもたらす影響を低減できることを示す。
  論文  参考訳（メタデータ） (2020-12-01T14:21:58Z)
• Distributed Inference with Sparse and Quantized Communication [7.155594644943642]
  ネットワーク内のエージェントが未知の状態によって生成されたプライベート信号のストリームを観測する分散推論の問題を考察する。 本研究では,各仮説に対する低信念を拡散する原理に基づく,イベントトリガー型分散学習ルールを開発する。 逐次量子化器の範囲を精製することにより、各エージェントは1ドルビットで各仮説の信念を符号化しながら、ほぼ確実に指数関数的に真理を学習できることを示す。
  論文  参考訳（メタデータ） (2020-04-02T23:08:51Z)

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。