論文の概要: A Model Aware AIGC Task Offloading Algorithm in IIoT Edge Computing

• arxiv url: http://arxiv.org/abs/2507.11560v1
• Date: Mon, 14 Jul 2025 09:32:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.06641
• Title: A Model Aware AIGC Task Offloading Algorithm in IIoT Edge Computing
• Title（参考訳）: IIoTエッジコンピューティングにおけるAIGCタスクオフロードアルゴリズムのモデル
• Authors: Xin Wang, Xiao Huan Li, Xun Wang,
• Abstract要約: 本稿では,IoTエッジコンピューティング環境に適したAIGCタスクオフロードフレームワークを提案する。 IIoTデバイスは、協調的に動的AIGCタスクを最も適切なエッジサーバにオフロードするマルチエージェントとして機能した。 マルチエージェントのDeep Deterministic Policy Gradient(MADDPG-MATO)に基づくAIGCタスクオフロードアルゴリズムを設計し,遅延とエネルギーを最小化する。
• 参考スコア（独自算出の注目度）: 17.145160867363053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of the Industrial Internet of Things (IIoT) with Artificial Intelligence-Generated Content (AIGC) offers new opportunities for smart manufacturing, but it also introduces challenges related to computation-intensive tasks and low-latency demands. Traditional generative models based on cloud computing are difficult to meet the real-time requirements of AIGC tasks in IIoT environments, and edge computing can effectively reduce latency through task offloading. However, the dynamic nature of AIGC tasks, model switching delays, and resource constraints impose higher demands on edge computing environments. To address these challenges, this paper proposes an AIGC task offloading framework tailored for IIoT edge computing environments, considering the latency and energy consumption caused by AIGC model switching for the first time. IIoT devices acted as multi-agent collaboratively offload their dynamic AIGC tasks to the most appropriate edge servers deployed with different generative models. A model aware AIGC task offloading algorithm based on Multi-Agent Deep Deterministic Policy Gradient (MADDPG-MATO) is devised to minimize the latency and energy. Experimental results show that MADDPG-MATO outperforms baseline algorithms, achieving an average reduction of 6.98% in latency, 7.12% in energy consumption, and a 3.72% increase in task completion rate across four sets of experiments with model numbers ranging from 3 to 6, it is demonstrated that the proposed algorithm is robust and efficient in dynamic, high-load IIoT environments.
• Abstract（参考訳）: IIoT(Industrial Internet of Things)とAIGC(Artificial Intelligence-Generated Content)の統合は、スマートマニュファクチャリングの新しい機会を提供するが、計算集約的なタスクや低レイテンシ要求に関連する課題も導入する。 クラウドコンピューティングに基づく従来の生成モデルは、IIoT環境におけるAIGCタスクのリアルタイム要求を満たすのは難しい。 しかし、AIGCタスクの動的な性質、モデルの切り換え遅延、リソース制約は、エッジコンピューティング環境により高い要求を課している。 これらの課題に対処するために、AIGCモデルスイッチングによる遅延とエネルギー消費を考慮して、IIoTエッジコンピューティング環境に適したAIGCタスクオフロードフレームワークを提案する。 IIoTデバイスは、動的AIGCタスクを異なる生成モデルでデプロイされた最も適切なエッジサーバに協調的にオフロードするマルチエージェントとして機能した。 マルチエージェントのDeep Deterministic Policy Gradient(MADDPG-MATO)に基づくAIGCタスクオフロードアルゴリズムを設計し,遅延とエネルギーを最小化する。 実験の結果,MADDPG-MATOはベースラインアルゴリズムより優れており,遅延率6.98%,エネルギー消費7.12%,タスク完了率3.72%が3～6のモデル数を持つ4種類の実験で達成され,動的で高負荷のIoT環境では堅牢かつ効率的であることが示されている。

関連論文リスト

• Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
  AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。 このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。 本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
  論文  参考訳（メタデータ） (2025-02-17T03:05:20Z)
• Reinforcement Learning Controlled Adaptive PSO for Task Offloading in IIoT Edge Computing [0.0]
  産業用IoT(Industrial Internet of Things)アプリケーションは、低レイテンシで重いデータ負荷を処理するために、効率的なタスクオフロードを要求する。 モバイルエッジコンピューティング(MEC)は、レイテンシとサーバ負荷を低減するために、デバイスに計算を近づける。 本稿では,適応粒子群最適化(APSO)と強化学習,特にソフトアクタ批判(SAC)を組み合わせた新しい解を提案する。
  論文  参考訳（メタデータ） (2025-01-25T13:01:54Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• DNN Task Assignment in UAV Networks: A Generative AI Enhanced Multi-Agent Reinforcement Learning Approach [16.139481340656552]
  本稿では,マルチエージェント強化学習(MARL)と生成拡散モデル(GDM)を組み合わせた共同手法を提案する。 第2段階では,GDMのリバース・デノナイズ・プロセスを利用して,マルチエージェント・ディープ・Deep Deterministic Policy gradient(MADDPG)におけるアクタネットワークを置き換える新しいDNNタスク割当アルゴリズム(GDM-MADDPG)を導入する。 シミュレーションの結果,提案アルゴリズムは,経路計画,情報化時代(AoI),エネルギー消費,タスク負荷分散の観点から,ベンチマークに比較して良好な性能を示した。
  論文  参考訳（メタデータ） (2024-11-13T02:41:02Z)
• 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)
• 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)
• 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)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)

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。