論文の概要: Spatial Computing Communications for Multi-User Virtual Reality in Distributed Mobile Edge Computing Network

• arxiv url: http://arxiv.org/abs/2510.14243v1
• Date: Thu, 16 Oct 2025 02:55:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.686972
• Title: Spatial Computing Communications for Multi-User Virtual Reality in Distributed Mobile Edge Computing Network
• Title（参考訳）: 分散モバイルエッジコンピューティングネットワークにおけるマルチユーザバーチャルリアリティのための空間コンピューティング通信
• Authors: Caolu Xu, Zhiyong Chen, Meixia Tao, Li Song, Wenjun Zhang,
• Abstract要約: 没入型バーチャルリアリティ(VR)アプリケーションは、レイテンシ、エネルギー効率、計算リソースに厳しい要件を課している。 本稿では,分散モバイルエッジコンピューティング(MEC)ネットワーク上でのマルチユーザVRのレイテンシとエネルギー要求を満たすために設計された,コンピューティング通信(SCC)の概念を紹介する。 提案するMO-CMPOは,教師付き学習・強化学習(RL)を優先重み付き微調整に統合した,ポリシー最適化による多目的整合モデルである。
• 参考スコア（独自算出の注目度）: 45.55309713021969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Immersive virtual reality (VR) applications impose stringent requirements on latency, energy efficiency, and computational resources, particularly in multi-user interactive scenarios. To address these challenges, we introduce the concept of spatial computing communications (SCC), a framework designed to meet the latency and energy demands of multi-user VR over distributed mobile edge computing (MEC) networks. SCC jointly represents the physical space, defined by users and base stations, and the virtual space, representing shared immersive environments, using a probabilistic model of user dynamics and resource requirements. The resource deployment task is then formulated as a multi-objective combinatorial optimization (MOCO) problem that simultaneously minimizes system latency and energy consumption across distributed MEC resources. To solve this problem, we propose MO-CMPO, a multi-objective consistency model with policy optimization that integrates supervised learning and reinforcement learning (RL) fine-tuning guided by preference weights. Leveraging a sparse graph neural network (GNN), MO-CMPO efficiently generates Pareto-optimal solutions. Simulations with real-world New Radio base station datasets demonstrate that MO-CMPO achieves superior hypervolume performance and significantly lower inference latency than baseline methods. Furthermore, the analysis reveals practical deployment patterns: latency-oriented solutions favor local MEC execution to reduce transmission delay, while energy-oriented solutions minimize redundant placements to save energy.
• Abstract（参考訳）: 没入型バーチャルリアリティ(VR)アプリケーションは、特にマルチユーザ対話シナリオにおいて、レイテンシ、エネルギー効率、計算リソースに厳しい要件を課している。 これらの課題に対処するために,分散モバイルエッジコンピューティング(MEC)ネットワーク上でのマルチユーザVRのレイテンシとエネルギー要求を満たすために設計された,空間コンピューティング通信(SCC)の概念を紹介した。 SCCは、ユーザと基地局が定義する物理空間と、ユーザダイナミクスとリソース要件の確率モデルを用いて、共有没入環境を表す仮想空間を共同で表現する。 リソース配置タスクは、分散MECリソース間のシステム遅延とエネルギー消費を同時に最小化する、多目的組合せ最適化(MOCO)問題として定式化される。 そこで本研究では,教師付き学習と強化学習(RL)を連携した多目的整合モデルMO-CMPOを提案する。 スパースグラフニューラルネットワーク(GNN)を利用することで、MO-CMPOはパレート最適解を効率的に生成する。 実世界のニューラジオ基地局データセットを用いたシミュレーションにより、MO-CMPOはベースライン法よりも優れたハイパーボリューム性能と推論遅延を著しく低減できることを示した。 さらに、遅延指向のソリューションは送信遅延を低減するためにローカルMECの実行を優先し、エネルギー指向のソリューションは省エネのために余分な配置を最小化する。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• 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)
• PeersimGym: An Environment for Solving the Task Offloading Problem with Reinforcement Learning [2.0249250133493195]
  計算ネットワークにおけるタスクオフロード戦略の開発と最適化に適した,オープンソースのカスタマイズ可能なシミュレーション環境であるPeersimGymを紹介する。 PeersimGymは、幅広いネットワークトポロジと計算制約をサポートし、TextitPettingZooベースのインターフェイスを統合して、RLエージェントのデプロイを、単体とマルチエージェントの両方で行えるようにしている。 本稿では,分散コンピューティング環境におけるオフロード戦略を大幅に強化するRLベースのアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2024-03-26T12:12:44Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Hybrid Policy Learning for Energy-Latency Tradeoff in MEC-Assisted VR Video Service [35.31115954442725]
  モバイルエッジコンピューティングネットワーク上で、ワイヤレスマルチタイルVRビデオサービスの提供を検討する。 私たちはまず、時間によって変化するビューの人気をモデルフリーのマルコフチェーンとみなした。 次に、動的キャッシュ置換と決定論的オフロードを調整するためにハイブリッドポリシーが実装される。
  論文  参考訳（メタデータ） (2021-04-02T13:17:11Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Edge Intelligence for Energy-efficient Computation Offloading and Resource Allocation in 5G Beyond [7.953533529450216]
  さらに5Gは、エッジデバイス、エッジサーバ、クラウドの異種機能を活用可能な、エッジクラウドオーケストレーションネットワークである。 マルチユーザ無線ネットワークでは、多様なアプリケーション要件とデバイス間の通信のための様々な無線アクセスモードの可能性により、最適な計算オフロード方式の設計が困難になる。 深層強化学習(Dep Reinforcement Learning, DRL)は、そのような問題に限定的で精度の低いネットワーク情報で対処する新興技術である。
  論文  参考訳（メタデータ） (2020-11-17T05:51:03Z)

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。