Fugu-MT 論文翻訳(概要): State-Aware IoT Scheduling Using Deep Q-Networks and Edge-Based Coordination

論文の概要: State-Aware IoT Scheduling Using Deep Q-Networks and Edge-Based Coordination

arxiv url: http://arxiv.org/abs/2504.15577v1
Date: Tue, 22 Apr 2025 04:24:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-30 22:26:13.94279
Title: State-Aware IoT Scheduling Using Deep Q-Networks and Edge-Based Coordination
Title（参考訳）: ディープQ-Networksとエッジベースのコーディネーションを用いた状態認識型IoTスケジューリング
Authors: Qingyuan He, Chang Liu, Juecen Zhan, Weiqiang Huang, Ran Hao,
Abstract要約: 本稿では,複雑なアプリケーション環境において,インテリジェントIoTデバイスが直面するエネルギー効率管理の課題に対処する。 DQN(Deep Q-Network)とエッジ協調機構を組み合わせた新しい最適化手法を提案する。 FastBeeプラットフォームから収集した実世界のIoTデータを使って実験を行う。
参考スコア（独自算出の注目度）: 3.4260861366674105
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses the challenge of energy efficiency management faced by intelligent IoT devices in complex application environments. A novel optimization method is proposed, combining Deep Q-Network (DQN) with an edge collaboration mechanism. The method builds a state-action-reward interaction model and introduces edge nodes as intermediaries for state aggregation and policy scheduling. This enables dynamic resource coordination and task allocation among multiple devices. During the modeling process, device status, task load, and network resources are jointly incorporated into the state space. The DQN is used to approximate and learn the optimal scheduling strategy. To enhance the model's ability to perceive inter-device relationships, a collaborative graph structure is introduced to model the multi-device environment and assist in decision optimization. Experiments are conducted using real-world IoT data collected from the FastBee platform. Several comparative and validation tests are performed, including energy efficiency comparisons across different scheduling strategies, robustness analysis under varying task loads, and evaluation of state dimension impacts on policy convergence speed. The results show that the proposed method outperforms existing baseline approaches in terms of average energy consumption, processing latency, and resource utilization. This confirms its effectiveness and practicality in intelligent IoT scenarios.
Abstract（参考訳）: 本稿では,複雑なアプリケーション環境において,インテリジェントIoTデバイスが直面するエネルギー効率管理の課題に対処する。 DQN(Deep Q-Network)とエッジ協調機構を組み合わせた新しい最適化手法を提案する。本手法は状態-反応-逆相互作用モデルを構築し,状態アグリゲーションとポリシスケジューリングのための仲介役としてエッジノードを導入する。これにより、複数のデバイス間での動的リソース調整とタスク割り当てが可能になる。モデリングプロセスの間、デバイスの状態、タスク負荷、ネットワークリソースは、状態空間に共同で組み込まれます。 DQNは最適なスケジューリング戦略を近似し、学習するために使用される。デバイス間関係を知覚するモデルの能力を高めるため,複数デバイス環境をモデル化し,意思決定の最適化を支援する協調グラフ構造を導入した。 FastBeeプラットフォームから収集した実世界のIoTデータを使って実験を行う。各種スケジューリング戦略間のエネルギー効率比較、各種タスク負荷下でのロバストネス分析、政策収束速度に対する状態次元の影響評価など、いくつかの比較・検証試験が実施されている。提案手法は, 平均エネルギー消費, 処理遅延, 資源利用率の観点から, 既存のベースライン手法よりも優れていることを示す。これにより、インテリジェントIoTシナリオの有効性と実用性が確認される。

関連論文リスト

Intelligent Task Scheduling for Microservices via A3C-Based Reinforcement Learning [4.422684054800804]
本稿では,A3C強化学習アルゴリズムに基づく適応的な資源スケジューリング手法を提案する。この手法には非同期なマルチスレッド学習機構が組み込まれており、複数のエージェントが並列サンプリングを行い、グローバルネットワークパラメータの更新を同期させることができる。提案手法はマルチタスク・コンカレント環境において高いスケジューリング性能とシステム安定性を実現する。
論文参考訳（メタデータ） (2025-05-01T04:42:48Z)
Intelligent Task Offloading in VANETs: A Hybrid AI-Driven Approach for Low-Latency and Energy Efficiency [2.1877558143992184]
Vehicular Ad-hoc Networks (VANETs) はインテリジェントトランスポートシステムに不可欠なネットワークである。 VANETは、車両が計算タスクを近くのロードサイドユニット(RSU)とリアルタイム処理のためにモバイルエッジコンピューティング(MEC)サーバーにオフロードすることを可能にする。本研究は、インテリジェントタスクオフロードとリソースアロケーションのための教師付き学習、強化学習、パーティクルスワーム最適化(PSO)を統合したハイブリッドAIフレームワークを提案する。
論文参考訳（メタデータ） (2025-04-29T13:20:02Z)
A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文参考訳（メタデータ） (2024-12-18T14:11:15Z)
Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
論文参考訳（メタデータ） (2024-08-26T14:28:51Z)
Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach [34.00679567444125]
本研究では,長期エネルギー制約下でのデータ到着や資源の可利用性に固有のランダム性に対処する動的スケジューリングと資源割当アルゴリズムを開発した。提案アルゴリズムは, デバイススケジューリング, 計算容量調整, 帯域幅の割り当ておよび各ラウンドの送信電力を適応的に決定する。本手法の有効性をシミュレーションにより検証し,ベースライン方式と比較して学習性能とエネルギー効率が向上したことを示す。
論文参考訳（メタデータ） (2024-05-20T14:13:22Z)
Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文参考訳（メタデータ） (2024-05-07T17:44:54Z)
Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
論文参考訳（メタデータ） (2023-03-25T14:40:59Z)
Age of Semantics in Cooperative Communications: To Expedite Simulation Towards Real via Offline Reinforcement Learning [53.18060442931179]
協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
論文参考訳（メタデータ） (2022-09-19T11:55:28Z)
Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文参考訳（メタデータ） (2021-08-09T08:45:47Z)
Reinforcement Learning on Computational Resource Allocation of Cloud-based Wireless Networks [22.06811314358283]
IoT(Internet of Things)に使用される無線ネットワークには、主にクラウドベースのコンピューティングと処理が関与することが期待されている。クラウド環境では、プロセスのパフォーマンスを維持しながらエネルギーを節約するために、動的計算資源割り当てが不可欠である。本稿では、この動的計算資源割当問題をマルコフ決定プロセス(MDP)にモデル化し、CPU使用量の動的リソース割当を最適化するためのモデルベース強化学習エージェントを設計する。その結果, エージェントは最適方針に迅速に収束し, 異なる設定で安定して動作し, 性能が良く, あるいは少なくとも等しく動作し, 異なるシナリオでの省エネにおけるベースラインアルゴリズムと比較した。
論文参考訳（メタデータ） (2020-10-10T15:16:26Z)
Context-Aware Wireless Connectivity and Processing Unit Optimization for IoT Networks [10.248295944860963]
提案手法は, エネルギー消費, 応答時間, セキュリティ, 金銭的コストを共同で最適化することにより, オフロードするデータの割合とともに, 最高の接続・処理ユニットを同時に選択する。応答時間とセキュリティの観点からIoTデバイスの要件は、デバイスの残りのバッテリレベルとともに入力として捉えられ、開発されたアルゴリズムは最適化されたポリシーを返す。
論文参考訳（メタデータ） (2020-04-30T02:18:35Z)

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。