Fugu-MT 論文翻訳(概要): Vision Language Model-Empowered Contract Theory for AIGC Task Allocation in Teleoperation

論文の概要: Vision Language Model-Empowered Contract Theory for AIGC Task Allocation in Teleoperation

arxiv url: http://arxiv.org/abs/2407.17428v1
Date: Tue, 9 Jul 2024 20:08:26 GMT
ステータス: 処理完了
システム内更新日: 2024-07-28 18:19:29.664892
Title: Vision Language Model-Empowered Contract Theory for AIGC Task Allocation in Teleoperation
Title（参考訳）: 遠隔操作におけるAIGCタスク割り当てのための視覚言語モデルを用いた契約理論
Authors: Zijun Zhan, Yaxian Dong, Yuqing Hu, Shuai Li, Shaohua Cao, Zhu Han,
Abstract要約: 本稿では,視覚言語モデル(VLM)を利用した契約理論によるAIGCタスク割り当てのためのフレームワークを考案する。第1のコンポーネントは、自動的かつ正確なAIGCタスク障害評価を可能にする。第2のコンポーネントは、情報非対称性の下でエッジサーバの価格戦略を定式化することができる。
参考スコア（独自算出の注目度）: 23.033079832410536
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Integrating low-light image enhancement techniques, in which diffusion-based AI-generated content (AIGC) models are promising, is necessary to enhance nighttime teleoperation. Remarkably, the AIGC model is computation-intensive, thus necessitating the allocation of AIGC tasks to edge servers with ample computational resources. Given the distinct cost of the AIGC model trained with varying-sized datasets and AIGC tasks possessing disparate demand, it is imperative to formulate a differential pricing strategy to optimize the utility of teleoperators and edge servers concurrently. Nonetheless, the pricing strategy formulation is under information asymmetry, i.e., the demand (e.g., the difficulty level of AIGC tasks and their distribution) of AIGC tasks is hidden information to edge servers. Additionally, manually assessing the difficulty level of AIGC tasks is tedious and unnecessary for teleoperators. To this end, we devise a framework of AIGC task allocation assisted by the Vision Language Model (VLM)-empowered contract theory, which includes two components: VLM-empowered difficulty assessment and contract theory-assisted AIGC task allocation. The first component enables automatic and accurate AIGC task difficulty assessment. The second component is capable of formulating the pricing strategy for edge servers under information asymmetry, thereby optimizing the utility of both edge servers and teleoperators. The simulation results demonstrated that our proposed framework can improve the average utility of teleoperators and edge servers by 10.88~12.43% and 1.4~2.17%, respectively. Code and data are available at https://github.com/ZiJun0819/VLM-Contract-Theory.
Abstract（参考訳）: 夜間遠隔操作を向上するためには,拡散型AIGC(AIGC)モデルが期待できる低照度画像強調技術を統合する必要がある。注目すべきは、AIGCモデルが計算集約的であるため、計算リソースが豊富なエッジサーバにAIGCタスクを割り当てる必要があることだ。異なる需要を持つさまざまなサイズのデータセットとAIGCタスクでトレーニングされたAIGCモデルの明確なコストを考えると、テレオペレータとエッジサーバの機能を同時に最適化するための差分価格戦略を定式化することが不可欠である。それでも、価格戦略の定式化は、情報非対称性、すなわちAIGCタスクの要求(例えば、AIGCタスクの困難度とその分布)は、エッジサーバに隠された情報である。さらに、AIGCタスクの難易度を手動で評価することは、テレオペレーターにとって面倒で不要である。この目的のために,視覚言語モデル(VLM)を用いた契約理論によって支援されるAIGCタスクアロケーションの枠組みを考案し,VLMを活用した困難評価と契約理論によるAIGCタスクアロケーションの2つのコンポーネントを含む。第1のコンポーネントは、自動的かつ正確なAIGCタスク障害評価を可能にする。第2のコンポーネントは、情報非対称性の下でエッジサーバの価格戦略を定式化し、エッジサーバとテレオペレータの両方の有用性を最適化する。シミュレーションの結果,提案フレームワークはテレオペレータとエッジサーバの平均有効性をそれぞれ10.88~12.43%,1.4~2.17%向上できることがわかった。コードとデータはhttps://github.com/ZiJun0819/VLM-Contract-Theoryで公開されている。

関連論文リスト

Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
論文参考訳（メタデータ） (2024-11-03T07:01:13Z)
FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文参考訳（メタデータ） (2024-10-16T16:13:19Z)
Multi-Agent RL-Based Industrial AIGC Service Offloading over Wireless Edge Networks [19.518346220904732]
本稿では,モデル駆動型産業用AIGC協調エッジラーニングフレームワークを提案する。このフレームワークは、現実的なサンプル合成とエッジベースの最適化機能を活用することにより、効率的な数ショット学習を容易にすることを目的としている。
論文参考訳（メタデータ） (2024-05-05T15:31:47Z)
Offloading and Quality Control for AI Generated Content Services in 6G Mobile Edge Computing Networks [18.723955271182007]
本稿では, 逆拡散段階における拡散モデルのオフロード決定, 計算時間, 拡散ステップに対する共同最適化アルゴリズムを提案する。実験結果から,提案アルゴリズムはベースラインよりも優れた継手最適化性能が得られることが示された。
論文参考訳（メタデータ） (2023-12-11T08:36:27Z)
A Wireless AI-Generated Content (AIGC) Provisioning Framework Empowered by Semantic Communication [53.78269720999609]
本稿では,セマンティック通信(SemCom)を利用したAIGC(SemAIGC)の生成と伝送フレームワークを提案する。具体的には、セマンティックエンコーダとデコーダに拡散モデルを統合し、ワークロード調整可能なトランシーバを設計する。提案するSemAIGCフレームワークは,従来の手法に比べてレイテンシとコンテンツ品質が優れていることがシミュレーションによって検証された。
論文参考訳（メタデータ） (2023-10-26T18:05:22Z)
Integrated Sensing-Communication-Computation for Edge Artificial Intelligence [41.611639821262415]
統合センシング通信計算(I SCC)は,資源利用の向上に最重要課題である。本稿では、エッジ学習タスクとエッジAI推論タスクをアプリケーション層と物理層の両方で行うための各種のISCCスキームについて述べる。
論文参考訳（メタデータ） (2023-06-01T21:35:20Z)
Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-01-09T09:30:23Z)
Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文参考訳（メタデータ） (2021-06-30T16:49:07Z)
Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文参考訳（メタデータ） (2020-10-06T16:51:09Z)

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。