論文の概要: Towards Secure and Efficient Data Scheduling for Vehicular Social Networks

• arxiv url: http://arxiv.org/abs/2407.00141v1
• Date: Fri, 28 Jun 2024 15:20:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 06:10:29.083318
• Title: Towards Secure and Efficient Data Scheduling for Vehicular Social Networks
• Title（参考訳）: ニューラルネットワークの安全性と効率的なデータスケジューリングに向けて
• Authors: Youhua Xia, Tiehua Zhang, Jiong Jin, Ying He, Fei Yu,
• Abstract要約: 本稿では,車載ソーシャルネットワーク内でのデータ伝送をスケジューリングする革新的な学習アルゴリズムを提案する。 このアルゴリズムはまず、特別に構築されたニューラルネットワークを使用して、データ処理能力を向上する。 データ転送フェーズ中にQラーニングパラダイムを組み込んで情報交換を最適化する。
• 参考スコア（独自算出の注目度）: 6.52925077242833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient data transmission scheduling within vehicular environments poses a significant challenge due to the high mobility of such networks. Contemporary research predominantly centers on crafting cooperative scheduling algorithms tailored for vehicular networks. Notwithstanding, the intricacies of orchestrating scheduling in vehicular social networks both effectively and efficiently remain formidable. This paper introduces an innovative learning-based algorithm for scheduling data transmission that prioritizes efficiency and security within vehicular social networks. The algorithm first uses a specifically constructed neural network to enhance data processing capabilities. After this, it incorporates a Q-learning paradigm during the data transmission phase to optimize the information exchange, the privacy of which is safeguarded by differential privacy through the communication process. Comparative experiments demonstrate the superior performance of the proposed Q-learning enhanced scheduling algorithm relative to existing state-of-the-art scheduling algorithms in the context of vehicular social networks.
• Abstract（参考訳）: 車両環境における効率的なデータ伝送スケジューリングは、そのようなネットワークの高モビリティのために大きな課題となる。 現代の研究は主に、車載ネットワークに適した協調スケジューリングアルゴリズムの構築に重点を置いている。 それでも、車載ソーシャルネットワークにおけるスケジューリングのオーケストレーションの難しさは、効果的かつ効果的に保たれている。 本稿では、車載ソーシャルネットワークにおける効率性とセキュリティを優先する、データ送信をスケジューリングする革新的な学習アルゴリズムを提案する。 このアルゴリズムはまず、特別に構築されたニューラルネットワークを使用して、データ処理能力を向上する。 その後、データ転送フェーズ中にQラーニングパラダイムを組み込んで情報交換を最適化し、そのプライバシーは通信プロセスを通じて差分プライバシーによって保護される。 比較実験により、車載ソーシャルネットワークの文脈における既存の最先端スケジューリングアルゴリズムと比較して、提案したQ-ラーニング強化スケジューリングアルゴリズムの優れた性能を示す。

関連論文リスト

• Model Partition and Resource Allocation for Split Learning in Vehicular Edge Networks [24.85135243655983]
  本稿では,これらの課題に対処する新しいU字型分割学習(U-SFL)フレームワークを提案する。 U-SFLは、生のデータとラベルの両方をVU側に置くことで、プライバシー保護を強化することができる。 通信効率を最適化するために,送信データの次元を著しく低減する意味認識型自動エンコーダ(SAE)を導入する。
  論文  参考訳（メタデータ） (2024-11-11T07:59:13Z)
• A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
  衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。 本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T06:57:45Z)
• Semantic-aware Transmission Scheduling: a Monotonicity-driven Deep Reinforcement Learning Approach [39.681075180578986]
  6G時代のサイバー物理システムでは、アプリケーションレベルの性能を保証するためにセマンティック通信が必要である。 本稿では,まず,最適なセマンティック・アウェア・スケジューリング・ポリシーの基本的特性について検討する。 そこで我々は,理論ガイドラインを活用することにより,高度な深層強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-05-23T05:45:22Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Reinforcement Learning Algorithm for Traffic Steering in Heterogeneous Network [0.609170287691728]
  本稿では,HetNetsにおける新しいトラフィックステアリングアルゴリズムを提案する。 提案アルゴリズムは,ネットワークシミュレーション結果を用いた2つの参照アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2021-11-29T23:56:18Z)
• Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
  本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。 私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
  論文  参考訳（メタデータ） (2021-11-11T11:31:20Z)
• A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
  そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。 DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。 その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2021-06-08T16:27:04Z)
• Linear Regression over Networks with Communication Guarantees [1.4271989597349055]
  接続された自律システムでは、しばしば限られたリソースを持つ通信ネットワーク上でデータ転送が行われる。 本稿では,線形回帰タスクのためのコミュニケーション効率の高い学習のためのアルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2021-03-06T15:28:21Z)
• Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
  渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。 今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。 実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。 本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-18T13:49:28Z)
• Adaptive Scheduling for Machine Learning Tasks over Networks [1.4271989597349055]
  本論文では, 線形回帰タスクに資源を効率的に割り当てるアルゴリズムを, データのインフォマティビティ性を利用して検討する。 アルゴリズムは、信頼性の高い性能保証による学習タスクの適応スケジューリングを可能にする。
  論文  参考訳（メタデータ） (2021-01-25T10:59:00Z)

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。