論文の概要: Optimizing Multi-Gateway LoRaWAN via Cloud-Edge Collaboration and Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2504.13194v1
- Date: Sun, 13 Apr 2025 10:34:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 21:11:06.578102
- Title: Optimizing Multi-Gateway LoRaWAN via Cloud-Edge Collaboration and Knowledge Distillation
- Title（参考訳）: クラウドエッジコラボレーションと知識蒸留によるマルチゲートウェイLoRaWANの最適化
- Authors: Hong Yang,
- Abstract要約: 本研究では,エッジインテリジェンス,HEAT-LDLに基づくクラウドエッジ協調資源割り当てと意思決定手法を提案する。
Actor-CriticアーキテクチャとLyapunov最適化を併用して、インテリジェントなダウンリンク制御とゲートウェイロードバランシングを実現する。
加熱LDLはパケット成功率とエネルギー効率をそれぞれ20.5%と88.1%改善する。
- 参考スコア（独自算出の注目度）: 18.079821897367673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For large-scale multi-gateway LoRaWAN networks, this study proposes a cloud-edge collaborative resource allocation and decision-making method based on edge intelligence, HEAT-LDL (HEAT-Local Distill Lyapunov), which realizes collaborative decision-making between gateways and terminal nodes. HEAT-LDL combines the Actor-Critic architecture and the Lyapunov optimization method to achieve intelligent downlink control and gateway load balancing. When the signal quality is good, the network server uses the HEAT algorithm to schedule the terminal nodes. To improve the efficiency of autonomous decision-making of terminal nodes, HEAT-LDL performs cloud-edge knowledge distillation on the HEAT teacher model on the terminal node side. When the downlink decision instruction is lost, the terminal node uses the student model and the edge decider based on prior knowledge and local history to make collaborative autonomous decisions. Simulation experiments show that compared with the optimal results of all compared algorithms, HEAT-LDL improves the packet success rate and energy efficiency by 20.5% and 88.1%, respectively.
- Abstract（参考訳）: 大規模マルチゲートウェイLoRaWANネットワークにおいて,エッジインテリジェンス(HEAT-LDL,HEAT-Local Distill Lyapunov,HEAT-LDL,HEAT-Local Distill Lyapunov,HEAT-LDL)に基づいて,ゲートウェイと端末ノード間の協調的意思決定を実現する。
HEAT-LDLはActor-CriticアーキテクチャとLyapunov最適化を組み合わせ、インテリジェントなダウンリンク制御とゲートウェイロードバランシングを実現する。
信号品質が良い場合、ネットワークサーバはHEATアルゴリズムを使用して端末ノードをスケジュールする。
HEAT-LDLは,端末ノード側のHEAT教師モデル上で,クラウドエッジな知識蒸留を行う。
ダウンリンク決定命令が失われると、端末ノードは、事前知識とローカル履歴に基づいて学生モデルとエッジ決定器を使用して協調的な自律的決定を行う。
シミュレーション実験により、全ての比較アルゴリズムの最適結果と比較すると、HEAT-LDLはパケット成功率とエネルギー効率をそれぞれ20.5%と88.1%改善することが示された。
関連論文リスト
- Energy-Efficient Split Learning for Fine-Tuning Large Language Models in Edge Networks [15.727573358801695]
大規模言語モデルを微調整するためのエネルギー効率の高い分割学習フレームワークを提案する。
提案手法は,ベンチマークと比較すると,平均トレーニング遅延とサーバのエネルギー消費を70.8%,53.1%削減する。
論文 参考訳（メタデータ） (2024-11-27T12:34:45Z) - Reinforcement Learning for Node Selection in Branch-and-Bound [52.2648997215667]
現在の最先端セレクタは手作りのアンサンブルを使用して、ナイーブなサブノードセレクタと、個々のノードデータに依存する学習ノードセレクタを自動的に切り替える。
孤立ノードではなく木の状態全体を考慮しながら強化学習(RL)を用いる新しいシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2023-09-29T19:55:56Z) - Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。
本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。
提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
論文 参考訳（メタデータ） (2023-05-15T22:04:49Z) - Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated
Split Learning [56.125720497163684]
無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。
ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
論文 参考訳（メタデータ） (2022-09-02T10:29:56Z) - Energy-Efficient Design for a NOMA assisted STAR-RIS Network with Deep
Reinforcement Learning [78.50920340621677]
同時送信・再構成可能なインテリジェントサーフェス(STAR-RIS)は、無線ネットワークの性能を高めるための有望な補助装置であると考えられている。
本稿では,非直交多重アクセス(NOMA)ネットワークにおけるエネルギー効率(EE)問題について検討する。
基地局の送信ビームフォーミングベクトルとSTAR-RISの勾配行列を協調的に最適化することにより,EEを最大化する。
論文 参考訳（メタデータ） (2021-11-30T15:01:19Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Learning based E2E Energy Efficient in Joint Radio and NFV Resource
Allocation for 5G and Beyond Networks [21.60295771932728]
無線部に電力とスペクトル資源を割り当てる最適化問題を定式化する。
コア部では、すべてのユーザの効率を確保するために、関数の連鎖、配置、スケジューリングを行う。
次に、最大エントロピーフレームワークに基づくソフトアクター・クリティカル・ディープラーニング(SAC-DRL)アルゴリズムを用いて、上記のMDPを解く。
論文 参考訳（メタデータ） (2021-07-13T11:19:48Z) - A Heuristically Assisted Deep Reinforcement Learning Approach for
Network Slice Placement [0.7885276250519428]
本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。
提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
論文 参考訳（メタデータ） (2021-05-14T10:04:17Z) - Federated Double Deep Q-learning for Joint Delay and Energy Minimization
in IoT networks [12.599009485247283]
本稿では,多目的最適化問題の解法として,連合型深層強化学習フレームワークを提案する。
各エピソードの最後に,IoTデバイス(エージェント)の学習速度を高めるために,フェデレーション学習(FDL)を取り入れた。
提案するDDQNフレームワークの有効性を,学習速度の観点から検証した。
論文 参考訳（メタデータ） (2021-04-02T18:41:59Z) - Energy Efficient Edge Computing: When Lyapunov Meets Distributed
Reinforcement Learning [12.845204986571053]
本研究では,エッジコンピューティングによるエネルギー効率のよいオフロード問題について検討する。
考慮されたシナリオでは、複数のユーザが同時に無線およびエッジコンピューティングリソースを競う。
提案されたソリューションは、ベンチマークアプローチと比較してネットワークのエネルギー効率を高めることもできます。
論文 参考訳（メタデータ） (2021-03-31T11:02:29Z) - Task Allocation for Asynchronous Mobile Edge Learning with Delay and
Energy Constraints [13.95043802655365]
本稿では、リソース制約された無線エッジネットワークを介して接続された複数のエッジノードまたは学習者間で非同期に機械学習モデルをトレーニングするための最適なタスク割り当てスキームを設計し、"モバイルエッジラーニング(MEL)"のパラダイムを拡張した。
消費される時間とエネルギーは、学習者の異種コミュニケーションと計算能力に直接関係している。
その結果,HU同期/非同期(HU-Sync/Asyn)手法よりもHA-Asyn法の方が有効であり,最大25%の利得が得られることがわかった。
論文 参考訳（メタデータ） (2020-11-30T22:45:59Z) - Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。
本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。
実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-21T07:02:07Z)
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。