論文の概要: Energy-Efficient Power Control for Multiple-Task Split Inference in
UAVs: A Tiny Learning-Based Approach
- arxiv url: http://arxiv.org/abs/2401.00445v1
- Date: Sun, 31 Dec 2023 10:16:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 17:19:57.526990
- Title: Energy-Efficient Power Control for Multiple-Task Split Inference in
UAVs: A Tiny Learning-Based Approach
- Title（参考訳）: UAVにおけるマルチタスクスプリット推論のためのエネルギー効率の良い電力制御:Tiny Learning-based Approach
- Authors: Chenxi Zhao, Min Sheng, Junyu Liu, Tianshu Chu, Jiandong Li
- Abstract要約: 無人航空機(UAV)における分割推論におけるエネルギー最小化のための2段階のアプローチを提案する。
送信電力の最適化を送信時間に置き換えて,計算複雑性を低減する。
シミュレーションの結果,提案アルゴリズムは低消費電力でタスク完了確率が高いことを示す。
- 参考スコア（独自算出の注目度）: 27.48920259431965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The limited energy and computing resources of unmanned aerial vehicles (UAVs)
hinder the application of aerial artificial intelligence. The utilization of
split inference in UAVs garners significant attention due to its effectiveness
in mitigating computing and energy requirements. However, achieving
energy-efficient split inference in UAVs remains complex considering of various
crucial parameters such as energy level and delay constraints, especially
involving multiple tasks. In this paper, we present a two-timescale approach
for energy minimization in split inference, where discrete and continuous
variables are segregated into two timescales to reduce the size of action space
and computational complexity. This segregation enables the utilization of tiny
reinforcement learning (TRL) for selecting discrete transmission modes for
sequential tasks. Moreover, optimization programming (OP) is embedded between
TRL's output and reward function to optimize the continuous transmit power.
Specifically, we replace the optimization of transmit power with that of
transmission time to decrease the computational complexity of OP since we
reveal that energy consumption monotonically decreases with increasing
transmission time. The replacement significantly reduces the feasible region
and enables a fast solution according to the closed-form expression for optimal
transmit power. Simulation results show that the proposed algorithm can achieve
a higher probability of successful task completion with lower energy
consumption.
- Abstract（参考訳）: 無人航空機(UAV)の限られたエネルギーと計算資源は、航空人工知能の適用を妨げる。
UAVにおけるスプリット推論の利用は、計算とエネルギーの要求を緩和する効果のために大きな注目を集めている。
しかし、エネルギーレベルや遅延制約、特に複数のタスクを含む様々な重要なパラメータを考慮すると、UAVにおけるエネルギー効率の高い分割推定を達成することは複雑である。
本稿では,離散変数と連続変数を2つの時間スケールに分離し,動作空間と計算複雑性を小さくする,分割推論におけるエネルギー最小化の2つの時間スケールアプローチを提案する。
この分離により、シーケンシャルタスクの個別送信モードを選択するために、小さな強化学習(TRL)を利用することができる。
さらに、TRLの出力と報酬関数の間に最適化プログラミング(OP)が組み込まれ、連続送信電力を最適化する。
具体的には,伝送時間の増加に伴ってエネルギー消費が単調に減少することを明らかにするため,送信電力の最適化を送信時間に置き換えて,OPの計算複雑性を低減する。
この交換は実現可能領域を大幅に削減し、最適な送信電力のためのクローズドフォーム式に従って高速解を可能にする。
シミュレーションの結果,提案手法はより少ないエネルギー消費でタスク完了を成功させる確率が高いことがわかった。
関連論文リスト
- Joint User Association, Interference Cancellation and Power Control for
Multi-IRS Assisted UAV Communications [80.35959154762381]
インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。
既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。
我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
論文 参考訳（メタデータ） (2023-12-08T01:57:10Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - Joint Optimization of Energy Consumption and Completion Time in
Federated Learning [16.127019859725785]
フェデレートラーニング(FL)は、プライバシ保護の特性から興味深い分散機械学習アプローチである。
エネルギーと実行遅延の間のトレードオフをバランスさせるアルゴリズムを定式化し、異なる要求とアプリケーションシナリオに対応する。
論文 参考訳（メタデータ） (2022-09-29T16:05:28Z) - Over-the-Air Federated Multi-Task Learning via Model Sparsification and
Turbo Compressed Sensing [48.19771515107681]
本稿では,エッジサーバの協調の下で,エッジデバイス上にデプロイされた複数の学習タスクを非直交型フェードチャネルで共有する,オーバー・ザ・エアのFMTLフレームワークを提案する。
OA-FMTLでは、エッジデバイスの局所的な更新はスパース化され、圧縮され、重ね合わせの方法でアップリンクチャネルに送信される。
提案するOA-FMTLフレームワークとM-Turbo-CSアルゴリズムの性能解析を行った。
論文 参考訳（メタデータ） (2022-05-08T08:03:52Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Efficient Federated Meta-Learning over Multi-Access Wireless Networks [26.513076310183273]
フェデレーションメタラーニング(FML)は、今日のエッジラーニング分野におけるデータ制限と不均一性に対処するための、有望なパラダイムとして登場した。
本稿では,FMLアルゴリズム(NUFM)を一様でないデバイス選択方式で開発し,収束を加速する。
本稿では,マルチアクセス無線システムにおけるNUFMの統合による資源配分問題を提案する。
論文 参考訳（メタデータ） (2021-08-14T03:23:04Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Energy Efficient Edge Computing: When Lyapunov Meets Distributed
Reinforcement Learning [12.845204986571053]
本研究では,エッジコンピューティングによるエネルギー効率のよいオフロード問題について検討する。
考慮されたシナリオでは、複数のユーザが同時に無線およびエッジコンピューティングリソースを競う。
提案されたソリューションは、ベンチマークアプローチと比較してネットワークのエネルギー効率を高めることもできます。
論文 参考訳（メタデータ） (2021-03-31T11:02:29Z) - Energy Minimization in UAV-Aided Networks: Actor-Critic Learning for
Constrained Scheduling Optimization [30.742052801257998]
無人航空機 (UAV) の応用においては、UAVの限られたエネルギー供給と貯蔵がインテリジェントなエネルギー保存ソリューションの開発を引き起こしている。
本稿では,データ転送スケジューリングホバリング時間を最適化するエネルギーDSOSソリューションについて検討する。
論文 参考訳（メタデータ） (2020-06-24T10:44:28Z)
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。