論文の概要: Content Accuracy and Quality Aware Resource Allocation Based on LP-Guided DRL for ISAC-Driven AIGC Networks

• arxiv url: http://arxiv.org/abs/2508.12079v1
• Date: Sat, 16 Aug 2025 15:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.552658
• Title: Content Accuracy and Quality Aware Resource Allocation Based on LP-Guided DRL for ISAC-Driven AIGC Networks
• Title（参考訳）: ISAC駆動型AIGCネットワークのためのLP-Guided DRLに基づくコンテンツ精度と品質意識資源配分
• Authors: Ningzhe Shi, Yiqing Zhou, Ling Liu, Jinglin Shi, Yihao Wu, Haiwei Shi, Hanxiao Yu,
• Abstract要約: ISAC(Integrated Sensistance and Communication)は、AIGC(AIGC)ネットワークを効率化する。 ISACベースのAIGCサービスの質を評価するため、コンテンツ精度と品質意識サービス評価指標(CAQA)を提案する。 低複雑性のCAQA-AIGC問題を解くために,アクションフィルタ(LPDRL-F)を用いた線形プログラミング(LP)誘導深部強化学習(DRL)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 9.167039887054658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrated sensing and communication (ISAC) can enhance artificial intelligence-generated content (AIGC) networks by providing efficient sensing and transmission. Existing AIGC services usually assume that the accuracy of the generated content can be ensured, given accurate input data and prompt, thus only the content generation quality (CGQ) is concerned. However, it is not applicable in ISAC-based AIGC networks, where content generation is based on inaccurate sensed data. Moreover, the AIGC model itself introduces generation errors, which depend on the number of generating steps (i.e., computing resources). To assess the quality of experience of ISAC-based AIGC services, we propose a content accuracy and quality aware service assessment metric (CAQA). Since allocating more resources to sensing and generating improves content accuracy but may reduce communication quality, and vice versa, this sensing-generating (computing)-communication three-dimensional resource tradeoff must be optimized to maximize the average CAQA (AvgCAQA) across all users with AIGC (CAQA-AIGC). This problem is NP-hard, with a large solution space that grows exponentially with users. To solve the CAQA-AIGC problem with low complexity, a linear programming (LP) guided deep reinforcement learning (DRL) algorithm with an action filter (LPDRL-F) is proposed. Through the LP-guided approach and the action filter, LPDRL-F can transform the original three-dimensional solution space to two dimensions, reducing complexity while improving the learning performance of DRL. Simulations show that compared to existing DRL and generative diffusion model algorithms without LP, LPDRL-F converges faster by over 60% and finds better resource allocation solutions, improving AvgCAQA by more than 14%. With LPDRL-F, CAQA-AIGC can achieve an improvement in AvgCAQA of more than 50% compared to existing schemes focusing solely on CGQ.
• Abstract（参考訳）: ISAC(Integrated Sensistance and Communication)は、AIGC(AIGC)ネットワークを効率化する。 既存のAIGCサービスは通常、正確な入力データとプロンプトを与えられた場合、生成されたコンテンツの正確性を保証することができると仮定するので、コンテンツ生成品質(CGQ)のみに関するものである。 しかし、ISACベースのAIGCネットワークでは適用できない。 さらに、AIGCモデル自体が生成エラーを導入し、生成ステップの数(すなわち、コンピューティングリソース)に依存する。 本稿では,ISACベースのAIGCサービスの質を評価するために,コンテンツ精度と品質意識型サービス評価指標(CAQA)を提案する。 検知と生成により多くのリソースを割り当てることで、コンテンツ精度が向上するが、通信品質が低下する可能性がある。また、このセンシング生成(計算)3次元リソーストレードオフは、AIGC(CAQA-AIGC)を持つすべてのユーザの平均CAQA(AvgCAQA)を最大化するために最適化されなければならない。 この問題はNPハードであり、ユーザとともに指数関数的に成長する大きなソリューション空間を持つ。 低複雑性のCAQA-AIGC問題を解くために,アクションフィルタ(LPDRL-F)を用いた線形プログラミング(LP)誘導深部強化学習(DRL)アルゴリズムを提案する。 LP-guidedアプローチとアクションフィルタにより、LPDRL-Fは元の3次元の解空間を2次元に変換することができ、DRLの学習性能を改善しながら複雑さを低減できる。 シミュレーションにより、LPのない既存のDRLと生成拡散モデルアルゴリズムと比較して、LPDRL-Fは60%以上早く収束し、より良いリソース割り当てソリューションを見つけ、AvgCAQAを14%以上改善した。 LPDRL-Fにより、CAQA-AIGCはCGQのみに焦点を当てた既存のスキームと比較してAvgCAQAを50%以上改善することができる。

関連論文リスト

• KARE-RAG: Knowledge-Aware Refinement and Enhancement for RAG [63.82127103851471]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデルがより広範な知識ソースにアクセスすることを可能にする。 ノイズの多いコンテンツを処理するために生成モデルの能力を向上させることは、ロバストなパフォーマンスに等しく重要であることを実証する。 本稿では,3つの重要なイノベーションを通じて知識利用を改善するKARE-RAGを提案する。
  論文  参考訳（メタデータ） (2025-06-03T06:31:17Z)
• 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)
• 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)
• 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)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• 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)
• 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)

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。