論文の概要: MOHAF: A Multi-Objective Hierarchical Auction Framework for Scalable and Fair Resource Allocation in IoT Ecosystems

• arxiv url: http://arxiv.org/abs/2508.14830v1
• Date: Wed, 20 Aug 2025 16:25:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.526016
• Title: MOHAF: A Multi-Objective Hierarchical Auction Framework for Scalable and Fair Resource Allocation in IoT Ecosystems
• Title（参考訳）: MOHAF:IoTエコシステムにおけるスケーラブルで公平なリソース割り当てのための多目的階層型オークションフレームワーク
• Authors: Kushagra Agrawal, Polat Goktas, Anjan Bandopadhyay, Debolina Ghosh, Junali Jasmine Jena, Mahendra Kumar Gourisaria,
• Abstract要約: 本稿では、コスト、QoS(Quality of Service)、エネルギー効率、公平性を共同で最適化する分散リソース割り当て機構を提案する。 3,553の要求と888のリソースからなるGoogle Cluster Dataトレースの実験では、完全な公正性(Jainのインデックス=1.000)を達成しつつ、MOHAFの優れたアロケーション効率(0.185)、First-Price(0.138)、Random(0.101)のオークションを実証した。
• 参考スコア（独自算出の注目度）: 0.565395466029518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of Internet of Things (IoT) ecosystems has intensified the challenge of efficiently allocating heterogeneous resources in highly dynamic, distributed environments. Conventional centralized mechanisms and single-objective auction models, focusing solely on metrics such as cost minimization or revenue maximization, struggle to deliver balanced system performance. This paper proposes the Multi-Objective Hierarchical Auction Framework (MOHAF), a distributed resource allocation mechanism that jointly optimizes cost, Quality of Service (QoS), energy efficiency, and fairness. MOHAF integrates hierarchical clustering to reduce computational complexity with a greedy, submodular optimization strategy that guarantees a (1-1/e) approximation ratio. A dynamic pricing mechanism adapts in real time to resource utilization, enhancing market stability and allocation quality. Extensive experiments on the Google Cluster Data trace, comprising 3,553 requests and 888 resources, demonstrate MOHAF's superior allocation efficiency (0.263) compared to Greedy (0.185), First-Price (0.138), and Random (0.101) auctions, while achieving perfect fairness (Jain's index = 1.000). Ablation studies reveal the critical influence of cost and QoS components in sustaining balanced multi-objective outcomes. With near-linear scalability, theoretical guarantees, and robust empirical performance, MOHAF offers a practical and adaptable solution for large-scale IoT deployments, effectively reconciling efficiency, equity, and sustainability in distributed resource coordination.
• Abstract（参考訳）: IoT(Internet of Things)エコシステムの急速な成長は、高度に動的で分散した環境において、異質なリソースを効率的に割り当てることの難しさを増している。 従来型の集中型メカニズムと単目的オークションモデルでは、コストの最小化や収益の最大化といったメトリクスのみに重点を置いて、バランスの取れたシステムパフォーマンスの提供に苦労する。 本稿では、コスト、QoS(Quality of Service)、エネルギー効率、公平性を共同で最適化する分散リソース割り当て機構であるMOHAF(Multi-Objective Hierarchical Auction Framework)を提案する。 MOHAFは階層的クラスタリングを統合して、(1-1/e)近似比を保証する欲求的、亜モジュラー最適化戦略で計算複雑性を低減する。 動的価格設定機構は、資源利用にリアルタイムで適応し、市場の安定性と割り当て品質を向上させる。 3,553の要求と888のリソースからなるGoogle Cluster Dataトレースに関する大規模な実験は、Greedy (0.185)、First-Price (0.138)、Random (0.101)のオークションと比較してMOHAFの優れたアロケーション効率(0.263)を示し、完全なフェアネス(Jain's index = 1.000)を達成した。 アブレーション研究は、バランスの取れた多目的結果の持続におけるコストとQoS成分の重大な影響を明らかにしている。 ほぼ直線的なスケーラビリティ、理論的保証、堅牢な経験的パフォーマンスにより、MOHAFは、大規模なIoTデプロイメントに対して実用的で適応可能なソリューションを提供し、分散リソース調整における効率性、エクイティ、持続可能性を効果的に調整する。

関連論文リスト

• Distributionally Robust Cooperative Multi-Agent Reinforcement Learning via Robust Value Factorization [29.92519720312025]
  我々は、各エージェントの強靭な欲求行動が、強靭なチーム・最適関節行動と整合することを要求する原則である分散ロバストIGM(DrIGM)を導入する。 DrIGMは、分散されたgreedy実行と互換性のある、堅牢な個々のアクション値の新たな定義を保っている。 我々は既存のバリューファクターアーキテクチャのDrygM準拠の堅牢なバリエーションを導出する。
  論文  参考訳（メタデータ） (2026-02-11T23:24:15Z)
• Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
  最小コア(LC)概念に基づく配当フレームワークを提案する。 従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。 統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
  論文  参考訳（メタデータ） (2026-02-03T11:10:50Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Multi-Objective Multi-Fidelity Bayesian Optimization with Causal Priors [13.649714557575178]
  本稿では,因果計算を取り入れた多目的MFBO手法であるRESCUEを提案する。 ロボット工学、機械学習(AutoML)、医療における合成および実世界の問題に対する最先端のMF最適化手法よりも、RESCUEはサンプル効率を向上することを示す。
  論文  参考訳（メタデータ） (2026-01-31T15:53:22Z)
• AI-Driven Cloud Resource Optimization for Multi-Cluster Environments [0.0]
  本稿では,マルチクラスタクラウドシステムにおけるアダプティブリソース最適化のためのAI駆動型フレームワークを提案する。 提案手法は、予測学習、ポリシー対応意思決定、継続的なフィードバックを統合する。 プロトタイプの実装では、リソース効率の向上、ワークロードの変動時の安定化の高速化、パフォーマンスのばらつきの低減などが示されている。
  論文  参考訳（メタデータ） (2025-12-31T15:15:46Z)
• Bridging VLMs and Embodied Intelligence with Deliberate Practice Policy Optimization [72.20212909644017]
  Deliberate Practice Policy Optimization (DPPO) はメタ認知型メタループのトレーニングフレームワークである。 DPPOは教師付き微調整(能力拡張)と強化学習(技能向上)の交互に行う 実証的には、DPPO(Pelican-VL 1.0)で視覚言語を具現化したモデルをトレーニングすると、ベースモデルよりも20.3%パフォーマンスが向上する。 私たちはモデルとコードをオープンソースにして、データとリソースのボトルネックを軽減する最初の体系的なフレームワークを提供しています。
  論文  参考訳（メタデータ） (2025-11-20T17:58:04Z)
• Controlling Performance and Budget of a Centralized Multi-agent LLM System with Reinforcement Learning [53.57360296655208]
  大規模言語モデル(LLM)は、ドメイン間で補完的な強みを示し、様々な推論コストが伴う。 既存のアプローチは分散化されたフレームワークに依存しており、入力毎に複数のLSMを呼び出すため、実質的で制御されていない推論コストが発生する。 我々は,LLMコントローラが,コスト効率とコスト制御が可能な方法で,専門家モデルのプールを選択的にコーディネートする,集中型マルチLLMフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T17:35:17Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• An Explainable Equity-Aware P2P Energy Trading Framework for Socio-Economically Diverse Microgrid [0.0]
  本稿では、多目的混合整数線形プログラミング(MILP)、協調ゲーム理論、強化学習(RL)によって駆動される動的エクイティ調整機構を統合する新しいフレームワークを提案する。 この枠組みは、最大72.6%のピーク需要削減と、大きな協力的な利益を示す。
  論文  参考訳（メタデータ） (2025-07-24T18:38:51Z)
• GRAM-MAMBA: Holistic Feature Alignment for Wireless Perception with Adaptive Low-Rank Compensation [8.217823995127201]
  スマートホーム、インテリジェントトランスポート、産業自動化、ヘルスケアに広くデプロイされている、IoT(Internet of Things)の認識には、マルチモーダル融合が不可欠である。 既存のシステムは、しばしば課題に直面している。高モデル複雑さは、リソースに制約のある環境へのデプロイを妨げる。 本稿では,センサ時系列の効率的な処理に線形複雑マンバモデルを用いるGRAM-MAMBAと,モーダル間のペアアライメントを最適化したGRAM行列戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-18T10:30:37Z)
• COALESCE: Economic and Security Dynamics of Skill-Based Task Outsourcing Among Team of Autonomous LLM Agents [0.0]
  COALESCEは、自律型大規模言語モデル(LLM)エージェントが特定のサブタスクを、特殊で費用対効果の高いサードパーティのLCMエージェントにアウトソースできるように設計された、新しいフレームワークである。 239の理論的シミュレーションによる総合的な検証は41.8%のコスト削減の可能性を示している。 240の実際のLCMタスクにわたる大規模な実証検証により、適切なエプシロン-グレディー探索によって20.3%のコスト削減が確認された。
  論文  参考訳（メタデータ） (2025-06-02T17:22:47Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• Reward-Guided Speculative Decoding for Efficient LLM Reasoning [80.55186052123196]
  Reward-Guided Speculative Decoding (RSD)は,大規模言語モデル(LLM)における推論の効率向上を目的とした新しいフレームワークである。 RSDは、厳密な偏りを強制する既存の投機的復号法とは対照的に、制御されたバイアスをハイリワード出力の優先順位付けに取り入れている。 RSDは,対象モデルのみでの復号化に対して,高い効率向上を実現し,並列復号法よりも高い精度を実現している。
  論文  参考訳（メタデータ） (2025-01-31T17:19:57Z)
• Dynamic Adaptation of LoRA Fine-Tuning for Efficient and Task-Specific Optimization of Large Language Models [0.7421845364041001]
  本稿では,大規模言語モデル-動的LoRAのためのファインチューニング手法を提案する。 効率と性能を改善するために動的適応機構を追加します。 動的LoRAの効率は、ベンチマークデータセットの実験で検証された。
  論文  参考訳（メタデータ） (2025-01-24T18:54:14Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• AI-Driven Resource Allocation Framework for Microservices in Hybrid Cloud Platforms [1.03590082373586]
  本稿では,ハイブリッドクラウドプラットフォームにおけるリソース割り当てのためのAI駆動型フレームワークを提案する。 このフレームワークは、コスト削減と性能向上のために強化学習(RL)ベースのリソース利用最適化を採用している。
  論文  参考訳（メタデータ） (2024-12-03T17:41:08Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。