論文の概要: QAROO: AI-Driven Online Task Offloading for Energy-Efficient and Sustainable MEC Networks

• arxiv url: http://arxiv.org/abs/2604.25740v1
• Date: Tue, 28 Apr 2026 15:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.917691
• Title: QAROO: AI-Driven Online Task Offloading for Energy-Efficient and Sustainable MEC Networks
• Title（参考訳）: QAROO: エネルギー効率が高く持続可能なMECネットワークのためのAI駆動のオンラインタスクオフロード
• Authors: Yongtao Yao, Yao Yang, Haorui Shi, Canglu Zhu, Miaojiang Chen, Ahmed Farouk,
• Abstract要約: 本稿では,QAROO(Quantum Attention-based Reinforcement Learning for Online Offloading)と呼ばれる,無線モバイルエッジコンピューティング(MEC)ネットワークのためのオンラインタスクオフロードフレームワークを提案する。 このシステムは、動的チャネル環境におけるコンピューティングとエネルギー資源の協調最適化を目的としたバイナリオフロード戦略を採用している。 従来の手法の適応性の低い問題や計算アルゴリズムの緩やかな収束に対処して、このフレームワークは量子ニューラルネットワークとアテンションメカニズムを統合している。
• 参考スコア（独自算出の注目度）: 7.474183118015571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid advancement of artificial intelligence (AI) and intelligent science, intelligent edge computing has been widely adopted. However, the limitations of traditional methods, such as poor adaptability and the slow convergence of heuristic algorithms, are becoming increasingly evident. To enable sustainable and resource-efficient edge applications, this paper proposes an online task offloading framework for wireless powered mobile edge computing (MEC) networks, called Quantum Attention-based Reinforcement learning for Online Offloading (QAROO). The system employs a binary offloading strategy with the aim of co-optimizing computing and energy resources in dynamic channel environments. In response to the issues of poor adaptability in traditional approaches and the slow convergence of heuristic algorithms, the framework integrates quantum neural networks and attention mechanisms, introducing three key improvements: using recurrent neural networks to enhance temporal modeling capability, proposing an uncertainty-guided quantization method to improve exploration efficiency, and incorporating attention mechanisms into quantum networks to strengthen feature representation. Experiments demonstrate that the proposed method outperforms comparative schemes in terms of normalized computation speed and processing time, offering an efficient and stable solution for online task offloading in large-scale Internet of Things (IoT) dynamic environments.
• Abstract（参考訳）: 人工知能(AI)とインテリジェントサイエンスの急速な進歩により、インテリジェントエッジコンピューティングが広く採用されている。 しかし、適応性の低さやヒューリスティックアルゴリズムの緩やかな収束といった従来の手法の限界はますます顕著になりつつある。 本稿では,QAROO(Quantum Attention-based Reinforcement Learning for Online Offloading)と呼ばれる,無線モバイルエッジコンピューティング(MEC)ネットワークのためのオンラインタスクオフロードフレームワークを提案する。 このシステムは、動的チャネル環境におけるコンピューティングとエネルギー資源の協調最適化を目的としたバイナリオフロード戦略を採用している。 従来のアプローチの適応性の低さとヒューリスティックアルゴリズムの緩やかな収束に対処して、このフレームワークは量子ニューラルネットワークとアテンションメカニズムを統合し、時間的モデリング能力を高めるためにリカレントニューラルネットワークを使うこと、探索効率を改善するために不確実性誘導量子化法を提案し、特徴表現を強化するためにアテンションメカニズムを量子ネットワークに組み込むこと、の3つの重要な改善を導入している。 実験により、提案手法は、大規模IoT(Internet of Things)動的環境において、オンラインタスクオフロードの効率的かつ安定したソリューションを提供する、正規化された計算速度と処理時間の観点から比較スキームより優れていることが示された。

関連論文リスト

• TimeGNN-Augmented Hybrid-Action MARL for Fine-Grained Task Partitioning and Energy-Aware Offloading in MEC [39.30264321748534]
  本稿では,複数のエッジサーバを対象とした協調計算フレームワークを提案する。 多次元サーバ状態情報の時系列をモデル化し、予測するために、時間グラフニューラルネットワーク(TimeGNN)が組み込まれている。 また、離散連続ハイブリッドアクション空間において、マルチエージェント決定論的ポリシー勾配アルゴリズム(DC-MADDPG)を導入する。
  論文  参考訳（メタデータ） (2026-01-08T02:24:58Z)
• INSIGHT: A Survey of In-Network Systems for Intelligent, High-Efficiency AI and Topology Optimization [43.37351326629751]
  インネットワークAI(In-network AI)は、ネットワークインフラストラクチャにおける人工知能(AI)のエスカレート要求に対処するための、変革的なアプローチである。 本稿では,AIのためのネットワーク内計算の最適化に関する包括的な分析を行う。 リソース制約のあるネットワークデバイスにAIモデルをマッピングするための方法論を調べ、メモリや計算能力の制限といった課題に対処する。
  論文  参考訳（メタデータ） (2025-05-30T06:47:55Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• 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)
• Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
  リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。 SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。 これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
  論文  参考訳（メタデータ） (2025-01-20T15:52:43Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• Recent Advances in Scalable Energy-Efficient and Trustworthy Spiking Neural networks: from Algorithms to Technology [11.479629320025673]
  スパイキングニューラルネットワーク(SNN)は、幅広い信号処理アプリケーションのために、ディープニューラルネットワークの魅力的な代替品となっている。 我々は、低レイテンシとエネルギー効率のSNNを効率的に訓練し、拡張するためのアルゴリズムと最適化の進歩について述べる。 デプロイ可能なSNNシステム構築における研究の今後の可能性について論じる。
  論文  参考訳（メタデータ） (2023-12-02T19:47:00Z)

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。