論文の概要: Federated Prompt-based Decision Transformer for Customized VR Services
in Mobile Edge Computing System
- arxiv url: http://arxiv.org/abs/2402.09729v1
- Date: Thu, 15 Feb 2024 05:56:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 16:52:39.201739
- Title: Federated Prompt-based Decision Transformer for Customized VR Services
in Mobile Edge Computing System
- Title（参考訳）: モバイルエッジコンピューティングシステムにおけるカスタマイズVRサービスのためのFederated Promptベースの決定変換器
- Authors: Tailin Zhou, Jiadong Yu, Jun Zhang, and Danny H.K. Tsang
- Abstract要約: まず、ユーザエクスペリエンスを測定するためのQoE(Quality of Experience)メトリクスを紹介します。
そして、リソース割り当てのためにQoE問題を定式化し、最高のユーザエクスペリエンスを確保する。
本稿では,共通モデルの事前学習を行うために,フェデレートラーニング(FL)とプロンプトベースシーケンスモデリングを利用するフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.269074750399657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates resource allocation to provide heterogeneous users
with customized virtual reality (VR) services in a mobile edge computing (MEC)
system. We first introduce a quality of experience (QoE) metric to measure user
experience, which considers the MEC system's latency, user attention levels,
and preferred resolutions. Then, a QoE maximization problem is formulated for
resource allocation to ensure the highest possible user experience,which is
cast as a reinforcement learning problem, aiming to learn a generalized policy
applicable across diverse user environments for all MEC servers. To learn the
generalized policy, we propose a framework that employs federated learning (FL)
and prompt-based sequence modeling to pre-train a common decision model across
MEC servers, which is named FedPromptDT. Using FL solves the problem of
insufficient local MEC data while protecting user privacy during offline
training. The design of prompts integrating user-environment cues and
user-preferred allocation improves the model's adaptability to various user
environments during online execution.
- Abstract（参考訳）: 本稿では,モバイルエッジコンピューティング(MEC)システムにおいて,仮想リアリティ(VR)サービスをカスタマイズした異種ユーザに提供するリソース割り当てについて検討する。
まず,mecシステムのレイテンシ,ユーザアテンションレベル,優先解像度を考慮したユーザエクスペリエンス測定のためのqoe(quality of experience)メトリックを導入する。
次に、QoE最大化問題を資源割り当てに定式化し、すべてのMECサーバの多様なユーザ環境に適用可能な一般化されたポリシーを学習することを目的とした強化学習問題である。
一般化されたポリシーを学習するために,FedPromptDTと呼ばれるMECサーバ間で共通決定モデルを事前学習するために,フェデレートラーニング(FL)とプロンプトベースシーケンスモデリングを利用するフレームワークを提案する。
FLを使用することで、オフライントレーニング中にユーザのプライバシを保護すると同時に、ローカルMECデータの不足が解決される。
ユーザ環境とユーザ優先のアロケーションを統合するプロンプトの設計は、オンライン実行中のさまざまなユーザ環境への適応性を向上する。
関連論文リスト
- Age-Based Scheduling for Mobile Edge Computing: A Deep Reinforcement
Learning Approach [58.911515417156174]
我々は情報時代(AoI)の新たな定義を提案し、再定義されたAoIに基づいて、MECシステムにおけるオンラインAoI問題を定式化する。
本稿では,システム力学の部分的知識を活用するために,PDS(Post-Decision State)を導入する。
また、PSDと深いRLを組み合わせることで、アルゴリズムの適用性、スケーラビリティ、堅牢性をさらに向上します。
論文 参考訳（メタデータ） (2023-12-01T01:30:49Z) - Intelligent Client Selection for Federated Learning using Cellular
Automata [0.5849783371898033]
FLは、輸送、通信、医療など、さまざまな現実世界のアプリケーションにおいて、プライバシーの強化とレイテンシーのための有望なソリューションとして登場した。
本稿では,新しいクライアント選択アルゴリズムとして,セルラーオートマトンに基づくクライアント選択(CA-CS)を提案する。
この結果から,CA-CSは高遅延フェデレーションクライアントを効果的に回避しつつ,ランダム選択手法に匹敵する精度を達成できることが示唆された。
論文 参考訳（メタデータ） (2023-10-01T09:40:40Z) - Mobility-Aware Joint User Scheduling and Resource Allocation for Low
Latency Federated Learning [14.343345846105255]
フェデレート学習システムにおけるユーザモビリティの実践モデルを提案する。
制約のある通信リソースによるトレーニング遅延を最小限に抑えるために,ユーザスケジューリングとリソース割り当て手法を開発した。
具体的には、まず、ユーザ選択、ユーザへのBS割り当て、帯域幅割り当てを共同で検討するユーザモビリティに関する最適化問題を定式化する。
論文 参考訳（メタデータ） (2023-07-18T13:48:05Z) - ON-DEMAND-FL: A Dynamic and Efficient Multi-Criteria Federated Learning
Client Deployment Scheme [37.099990745974196]
フェデレート学習のためのクライアントデプロイメントアプローチであるOn-Demand-FLを導入する。
私たちはDockerのようなコンテナ技術を使って効率的な環境を構築しています。
遺伝的アルゴリズム(GA)は多目的最適化問題を解決するために用いられる。
論文 参考訳（メタデータ） (2022-11-05T13:41:19Z) - Optimal Event Monitoring through Internet Mashup over Multivariate Time
Series [77.34726150561087]
このフレームワークは、モデル定義、クエリ、パラメータ学習、モデル評価、データ監視、決定レコメンデーション、Webポータルのサービスをサポートする。
さらに、MTSAデータモデルとクエリ言語を拡張して、学習、監視、レコメンデーションのサービスにおいて、この種の問題をサポートする。
論文 参考訳（メタデータ） (2022-10-18T16:56:17Z) - Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM [62.62684911017472]
フェデレートラーニング(FL)により、デバイスは共有モデルを共同でトレーニングし、トレーニングデータをプライバシ目的でローカルに保つことができる。
マルチヘッド(VIM)を備えたVFLフレームワークを導入し、各クライアントの別々のコントリビューションを考慮に入れます。
VIMは最先端技術に比べて性能が著しく向上し、収束が速い。
論文 参考訳（メタデータ） (2022-07-20T23:14:33Z) - Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge
Caching [91.50631418179331]
MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。
分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
論文 参考訳（メタデータ） (2021-10-20T02:48:27Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Online Service Migration in Edge Computing with Incomplete Information:
A Deep Recurrent Actor-Critic Method [18.891775769665102]
マルチアクセスエッジコンピューティング(MEC)は、クラウドコンピューティングをネットワークエッジに拡張する新興コンピューティングパラダイムである。
サービス移行には,qos(quality-of-service)を維持するためのユーザサービスの移行場所を決定する必要がある
本稿では,ユーザ中心で効果的なオンライン移行決定が可能な,新たな学習駆動型手法である深層反復型アクタクリティックベースサービスマイグレーション(dracm)を提案する。
論文 参考訳（メタデータ） (2020-12-16T00:16:24Z) - Unsupervised Model Personalization while Preserving Privacy and
Scalability: An Open Problem [55.21502268698577]
本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。
この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。
このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
論文 参考訳（メタデータ） (2020-03-30T09:35:12Z)
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。