論文の概要: Combinatorial Client-Master Multiagent Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing

• arxiv url: http://arxiv.org/abs/2402.11653v2
• Date: Wed, 06 Nov 2024 20:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:36:04.409624
• Title: Combinatorial Client-Master Multiagent Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing
• Title（参考訳）: モバイルエッジコンピューティングにおけるタスクオフロードのための組合せクライアント-マスターマルチエージェント深層強化学習
• Authors: Tesfay Zemuy Gebrekidan, Sebastian Stein, Timothy J. Norman,
• Abstract要約: ユーザデバイス(UD)はタスクの計算要求を実行する能力に制限がある。 モバイルエッジコンピューティング(MEC)は、UDのコンピューティング需要の増加に対応するための有望な技術として登場した。 MECのタスクオフロードは、UDとMECサーバ間でタスクを分散することで、UDの要求を満たす戦略である。
• 参考スコア（独自算出の注目度）: 6.768414728059793
• License:
• Abstract: Recently, there has been an explosion of mobile applications that perform computationally intensive tasks such as video streaming, data mining, virtual reality, augmented reality, image processing, video processing, face recognition, and online gaming. However, user devices (UDs), such as tablets and smartphones, have a limited ability to perform the computation needs of the tasks. Mobile edge computing (MEC) has emerged as a promising technology to meet the increasing computing demands of UDs. Task offloading in MEC is a strategy that meets the demands of UDs by distributing tasks between UDs and MEC servers. Deep reinforcement learning (DRL) is gaining attention in task-offloading problems because it can adapt to dynamic changes and minimize online computational complexity. However, the various types of continuous and discrete resource constraints on UDs and MEC servers pose challenges to the design of an efficient DRL-based task-offloading strategy. Existing DRL-based task-offloading algorithms focus on the constraints of the UDs, assuming the availability of enough storage resources on the server. Moreover, existing multiagent DRL (MADRL)--based task-offloading algorithms are homogeneous agents and consider homogeneous constraints as a penalty in their reward function. We proposed a novel combinatorial client-master MADRL (CCM\_MADRL) algorithm for task offloading in MEC (CCM\_MADRL\_MEC) that enables UDs to decide their resource requirements and the server to make a combinatorial decision based on the requirements of the UDs. CCM\_MADRL\_MEC is the first MADRL in task offloading to consider server storage capacity in addition to the constraints in the UDs. By taking advantage of the combinatorial action selection, CCM\_MADRL\_MEC has shown superior convergence over existing MADDPG and heuristic algorithms.
• Abstract（参考訳）: 近年,ビデオストリーミング,データマイニング,仮想現実,拡張現実,画像処理,画像処理,顔認識,オンラインゲームなど,計算集約的なタスクを実行するモバイルアプリケーションが急増している。 しかし、タブレットやスマートフォンのようなユーザデバイス(UD)は、タスクの計算要求を実行する能力が限られている。 モバイルエッジコンピューティング(MEC)は、UDのコンピューティング需要の増加に対応するための有望な技術として登場した。 MECのタスクオフロードは、UDとMECサーバ間でタスクを分散することで、UDの要求を満たす戦略である。 動的変化に適応し、オンライン計算の複雑さを最小限に抑えることができるため、タスクオフロード問題においてDRL(Deep reinforcement Learning)が注目されている。 しかし、UDやMECサーバにおける各種のリソース制約は、効率的なDRLベースのタスクオフロード戦略の設計に困難をもたらす。 既存のDRLベースのタスクオフロードアルゴリズムは、サーバ上で十分なストレージリソースが利用できることを前提として、UDの制約に重点を置いている。 さらに、既存のマルチエージェントDRL(MADRL)ベースのタスクオフロードアルゴリズムは、均質なエージェントであり、均質な制約を報酬関数のペナルティとみなす。 我々は,タスクオフロードをMEC (CCM\_MADRL\_MEC) で行うための新しい組合せクライアントマスターMADRL (CCM\_MADRL) アルゴリズムを提案し,UDがリソース要求を判断し,サーバがUDの要求に基づいて組合せ決定を行えるようにした。 CCM\_MADRL\_MECは、UDの制約に加えてサーバストレージ容量を考慮するタスクオフロードにおける最初のMADRLである。 CCM\_MADRL\_MECは組合せ行動選択を利用して既存のMADDPGおよびヒューリスティックアルゴリズムよりも優れた収束性を示した。

関連論文リスト

• Structural Knowledge-Driven Meta-Learning for Task Offloading in Vehicular Networks with Integrated Communications, Sensing and Computing [21.50450449083369]
  タスクオフロードは、オンボードコンピューティングリソースが限られているため、遅延に敏感な車両用アプリケーションの厳格な要件を満たすための潜在的なソリューションである。 本稿では,モデルに基づくAMアルゴリズムとニューラルネットワークを併用した,創造的構造的知識駆動型メタラーニング(SKDML)手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T03:31:59Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Computation Offloading and Resource Allocation in F-RANs: A Federated Deep Reinforcement Learning Approach [67.06539298956854]
  フォグ無線アクセスネットワーク(フォグ無線アクセスネットワーク、F-RAN)は、ユーザのモバイルデバイス(MD)が計算タスクを近くのフォグアクセスポイント(F-AP)にオフロードできる有望な技術である。
  論文  参考訳（メタデータ） (2022-06-13T02:19:20Z)
• On Jointly Optimizing Partial Offloading and SFC Mapping: A Cooperative Dual-agent Deep Reinforcement Learning Approach [8.168647937560504]
  本稿では,計算可能なMECシステムにおける部分オフロードとSFCマッピング共同最適化(POSMJO)問題について検討する。 目的は、実行遅延、MDのエネルギー消費、エッジコンピューティングの利用料金を組み合わせた長期的な平均コストを最小化することである。 本稿では,協調型二エージェント深部強化学習(CDADRL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-20T02:00:53Z)
• Reinforcement Learning Framework for Server Placement and Workload Allocation in Multi-Access Edge Computing [9.598394554018164]
  本稿では,最小コストでMEC設計を実現するために,ネットワーク遅延とエッジサーバ数の両方を最小化する問題に対処する。 本稿では,この問題を解決するためのマルコフ決定プロセス(MDP)の設計において,状態空間,行動空間,ペナルティ関数の効率的な表現とモデル化を行う新しいRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-21T03:04:50Z)
• Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge Intelligence [76.96698721128406]
  モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。 本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2022-01-27T10:02:54Z)
• Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
  複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。 本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:24:47Z)
• MALib: A Parallel Framework for Population-based Multi-agent Reinforcement Learning [61.28547338576706]
  人口ベースマルチエージェント強化学習(PB-MARL)は、強化学習(RL)アルゴリズムでネストした一連の手法を指す。 PB-MARLのためのスケーラブルで効率的な計算フレームワークMALibを提案する。
  論文  参考訳（メタデータ） (2021-06-05T03:27:08Z)
• Edge Intelligence for Energy-efficient Computation Offloading and Resource Allocation in 5G Beyond [7.953533529450216]
  さらに5Gは、エッジデバイス、エッジサーバ、クラウドの異種機能を活用可能な、エッジクラウドオーケストレーションネットワークである。 マルチユーザ無線ネットワークでは、多様なアプリケーション要件とデバイス間の通信のための様々な無線アクセスモードの可能性により、最適な計算オフロード方式の設計が困難になる。 深層強化学習(Dep Reinforcement Learning, DRL)は、そのような問題に限定的で精度の低いネットワーク情報で対処する新興技術である。
  論文  参考訳（メタデータ） (2020-11-17T05:51:03Z)
• A Machine Learning Approach for Task and Resource Allocation in Mobile Edge Computing Based Networks [108.57859531628264]
  無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。 提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
  論文  参考訳（メタデータ） (2020-07-20T13:46:42Z)
• Computation Offloading in Multi-Access Edge Computing Networks: A Multi-Task Learning Approach [7.203439085947118]
  マルチアクセスエッジコンピューティング(MEC)は、いくつかのタスクをMECサーバ(MES)に統合された近接アクセスポイント(AP)にオフロードすることで、モバイル機器が計算集約的なアプリケーションに対応できるようにする可能性をすでに示している。 しかし,MESのネットワーク条件や計算資源が限られているため,モバイル端末によるオフロード決定やMESが割り当てる計算資源は,低コストで効率よく達成できない。 我々はMECネットワークのための動的オフロードフレームワークを提案し、アップリンク非直交多重アクセス(NOMA)を用いて複数のデバイスがアップロードできるようにする。
  論文  参考訳（メタデータ） (2020-06-29T15:11:10Z)

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。