論文の概要: CacheMamba: Popularity Prediction for Mobile Edge Caching Networks via Selective State Spaces

• arxiv url: http://arxiv.org/abs/2502.15746v1
• Date: Sun, 09 Feb 2025 05:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 03:22:44.637551
• Title: CacheMamba: Popularity Prediction for Mobile Edge Caching Networks via Selective State Spaces
• Title（参考訳）: CacheMamba: 選択状態空間によるモバイルエッジキャッシングネットワークの人気予測
• Authors: Ghazaleh Kianfar, Zohreh Hajiakhondi-Meybodi, Arash Mohammadi,
• Abstract要約: モバイルエッジキャッシング(MEC)は、エッジサーバ上で頻繁に要求されるコンテンツを動的にキャッシュすることによって、データ集約型サービスのレイテンシを軽減する上で、重要な役割を果たす。 本稿では,意図したファイルの時系列要求データを活用することで,MECにおける人気予測の問題を検討する。 本稿では,状態空間モデル(SSM)に基づくアーキテクチャであるMambaを用いて,要求される確率が最も高いトップKファイルを識別するCacheMambaモデルを提案する。
• 参考スコア（独自算出の注目度）: 6.895209729810318
• License:
• Abstract: Mobile Edge Caching (MEC) plays a pivotal role in mitigating latency in data-intensive services by dynamically caching frequently requested content on edge servers. This capability is critical for applications such as Augmented Reality (AR), Virtual Reality (VR), and Autonomous Vehicles (AV), where efficient content caching and accurate popularity prediction are essential for optimizing performance. In this paper, we explore the problem of popularity prediction in MEC by utilizing historical time-series request data of intended files, formulating this problem as a ranking task. To this aim, we propose CacheMamba model by employing Mamba, a state-space model (SSM)-based architecture, to identify the top-K files with the highest likelihood of being requested. We then benchmark the proposed model against a Transformer-based approach, demonstrating its superior performance in terms of cache-hit rate, Mean Average Precision (MAP), Normalized Discounted Cumulative Gain (NDCG), and Floating-Point Operations Per Second (FLOPS), particularly when dealing with longer sequences.
• Abstract（参考訳）: モバイルエッジキャッシング(MEC)は、エッジサーバ上で頻繁に要求されるコンテンツを動的にキャッシュすることによって、データ集約型サービスのレイテンシを軽減する上で、重要な役割を果たす。 この機能は、Augmented Reality (AR)、Virtual Reality (VR)、Autonomous Vehicles (AV)といった、効率的なコンテンツキャッシングと正確な人気予測がパフォーマンスの最適化に不可欠であるアプリケーションにとって重要な機能である。 本稿では、意図したファイルの時系列要求データを利用して、MECにおける人気予測の問題を調査し、この問題をランキングタスクとして定式化する。 そこで本研究では,状態空間モデル(SSM)に基づくアーキテクチャであるMambaを用いて,要求される最上位Kファイルの識別を行う。 次に、提案手法をTransformerベースのアプローチと比較し、キャッシュヒットレート、平均値精度(MAP)、正規化カウント累積ゲイン(NDCG)、浮動小数点演算(FLOPS)の点で優れた性能を示す。

関連論文リスト

• Graph Federated Learning Based Proactive Content Caching in Edge Computing [5.492113449220096]
  本稿では,ユーザプライバシを保護しながら,キャッシュ効率を向上させるグラフフェデレーション学習に基づくProactive Content Cachingスキームを提案する。 提案したアプローチは、フェデレーション学習とグラフニューラルネットワークを統合し、ユーザーがLight Graph Convolutional Networks(LightGCN)をローカルにトレーニングすることで、ユーザとイテムの関係を捉え、コンテンツの人気を予測する。
  論文  参考訳（メタデータ） (2025-02-07T08:48:06Z)
• Efficient Inference of Vision Instruction-Following Models with Elastic Cache [76.44955111634545]
  我々は,命令追従型大規模視覚言語モデルの効率的なデプロイのための新しい戦略であるElastic Cacheを紹介する。 本稿では,冗長キャッシュを具現化する重要なキャッシュマージ戦略を提案する。 命令符号化では,キャッシュの重要性を評価するために周波数を利用する。 様々なLVLMの結果は、Elastic Cacheが効率を向上するだけでなく、言語生成における既存のプルーニングメソッドよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-25T15:29:05Z)
• CORM: Cache Optimization with Recent Message for Large Language Model Inference [57.109354287786154]
  メモリフットプリントを大幅に最小化するKVキャッシュを最適化する革新的な手法を提案する。 KVキャッシュ消去ポリシーであるCORMは、モデル微調整を必要とせずに、推論に必要なキーと値のペアを動的に保持する。 検証の結果,CORMはKVキャッシュの推論メモリ使用量を最大70%削減し,LongBenchの6つのタスクで性能劣化を無視できることがわかった。
  論文  参考訳（メタデータ） (2024-04-24T16:11:54Z)
• Attention-Enhanced Prioritized Proximal Policy Optimization for Adaptive Edge Caching [4.2579244769567675]
  本稿では,PPO(Proximal Policy Optimization)に基づくキャッシュ方式を提案する。 本手法は近年のDeep Reinforcement Learning-based Techniqueより優れている。
  論文  参考訳（メタデータ） (2024-02-08T17:17:46Z)
• A Learning-Based Caching Mechanism for Edge Content Delivery [2.412158290827225]
  5GネットワークとIoT(Internet of Things)の台頭により、ネットワークのエッジはますます拡大している。 このシフトは、特に限られたキャッシュストレージとエッジにおける多様な要求パターンのために、ユニークな課題をもたらす。 HR-Cacheは、ハザードレート(HR)順序付けの原則に基づく学習ベースのキャッシュフレームワークである。
  論文  参考訳（メタデータ） (2024-02-05T08:06:03Z)
• Multi-Content Time-Series Popularity Prediction with Multiple-Model Transformers in MEC Networks [34.44384973176474]
  モバイルエッジキャッシング(MEC)におけるコーディング/アンコードされたコンテンツ配置は、グローバルなモバイルデータトラフィックの大幅な増加に対応するために進化してきた。 既存のデータ駆動の人気予測モデルは、コード化/アンコードされたコンテンツ配置フレームワークには適していない。 一般化能力の高いマルチモデル(ハイブリッド)トランスフォーマーベースエッジキャッシング(MTEC)フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-10-12T02:24:49Z)
• Accelerating Deep Learning Classification with Error-controlled Approximate-key Caching [72.50506500576746]
  我々は、近似キーキャッシングと名付けた新しいキャッシングパラダイムを提案する。 近似キャッシュはDL推論の負荷を軽減し、システムのスループットを向上するが、近似誤差を導入する。 我々は古典的なLRUと理想的なキャッシュのキャッシュシステム性能を解析的にモデル化し、期待される性能のトレース駆動評価を行い、提案手法の利点を最先端の類似キャッシュと比較した。
  論文  参考訳（メタデータ） (2021-12-13T13:49:11Z)
• 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)
• Caching Placement and Resource Allocation for Cache-Enabling UAV NOMA Networks [87.6031308969681]
  本稿では,非直交多重アクセス(NOMA)をサポートした大規模アクセス機能を有する無人航空機(UAV)セルネットワークについて検討する。 コンテンツ配信遅延最小化のための長期キャッシュ配置と資源配分最適化問題をマルコフ決定プロセス(MDP)として定式化する。 そこで我々は,UAVがemphsoft $varepsilon$-greedy戦略を用いて行動の学習と選択を行い,行動と状態の最適な一致を探索する,Qラーニングに基づくキャッシュ配置とリソース割り当てアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-12T08:33:51Z)
• Reinforcement Learning for Caching with Space-Time Popularity Dynamics [61.55827760294755]
  キャッシングは次世代ネットワークにおいて重要な役割を果たすと想定されている。 コンテンツをインテリジェントにプリフェッチし、保存するためには、キャッシュノードは、何といつキャッシュするかを学ばなければならない。 本章では、近似キャッシングポリシー設計のための多目的強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-19T01:23:51Z)
• PA-Cache: Evolving Learning-Based Popularity-Aware Content Caching in Edge Networks [14.939950326112045]
  本稿では,エッジネットワークにおけるPAキャッシュという,学習ベースのコンテンツキャッシュポリシを提案する。 時間変化のあるコンテンツの人気を適応的に学習し、キャッシュが満杯になったときにどのコンテンツを置き換えるべきかを決定する。 提案するPAキャッシュの性能を,大規模オンラインビデオオンデマンドサービスプロバイダによる実世界のトレースで広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-20T15:38:01Z)

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。