論文の概要: Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing

• arxiv url: http://arxiv.org/abs/2605.16433v1
• Date: Thu, 14 May 2026 20:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.399319
• Title: Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing
• Title（参考訳）: 円周型スマートマニュファクチャリングにおけるエッジAI駆動型タスク割当学習
• Authors: Mohammadhossein Ghahramani, Yan Qiao, Mengchu Zhou,
• Abstract要約: 本研究は,ランクアウェア交渉に基づくエッジAI駆動型分散タスク割り当てフレームワークを提案する。 ランキング対応の定式化は、最終的に学習目標を再認識し、勝者選択の順序付けに基づく性質に適合する。 その結果, 高負荷下での遅延および期限順守が向上し, より厳密な制約下でのエネルギー効率が向上した。
• 参考スコア（独自算出の注目度）: 54.4933359656657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task allocation in smart manufacturing systems needs to operate under decentralized decision-making, dynamic workloads, and shared resource constraints. In circular manufacturing settings, these challenges are further intensified by the need to balance operational efficiency with resource and energy sustainability. While learning-based approaches have been explored, many focus on predicting absolute performance metrics that do not necessarily translate into improved allocation outcomes, since decentralized assignment is governed by the relative ordering of candidate machines. This work proposes an Edge-AI-driven decentralized task allocation framework based on ranking-aware negotiation, where lightweight decision intelligence is embedded at the machine level to enable low-latency coordination without centralized control. The framework is developed progressively: a resource-aware heuristic first establishes the decentralized bidding structure, an Edge-AI-based regression model then provides learned local bid approximation, and a ranking-aware formulation finally reshapes the learning objective to align with the ordering-based nature of winner selection. Each machine evaluates incoming tasks using local information, including processing capability, queue state, and resource contention. The framework is evaluated via discrete-event simulation under high-load and tight-deadline scenarios using delay, deadline violations, throughput, and energy consumption. Results show improved delay and deadline adherence under high load, and enhanced energy efficiency under tighter constraints, leading to more resource-efficient operation aligned with circular manufacturing objectives. These findings demonstrate that aligning learning objectives with decentralized decision structures is critical for effective negotiation-driven task allocation.
• Abstract（参考訳）: スマートマニュファクチャリングシステムにおけるタスク割り当ては、分散意思決定、動的ワークロード、共有リソース制約の下で運用する必要がある。 循環的な製造環境では、これらの課題は、運用効率と資源とエネルギーの持続可能性のバランスをとる必要性により、さらに強化されている。 学習に基づくアプローチが検討されている一方で、分散化された割り当ては、候補マシンの相対的な順序付けによって管理されるため、必ずしもアロケーション結果の改善に変換されない絶対的なパフォーマンスメトリクスの予測に多くの焦点が当てられている。 本研究は,エッジAI駆動型分散タスクアロケーションフレームワークを提案する。このフレームワークでは,軽量な意思決定インテリジェンスをマシンレベルで組み込んで,集中制御なしで低レイテンシ協調を可能にする。 このフレームワークは、まず、リソースを意識したヒューリスティックが分散入札構造を確立し、エッジAIベースの回帰モデルが学習されたローカル入札近似を提供し、ランキングアウェアの定式化が最終的に学習目標を再認識し、勝者選択の順序に基づく性質に適合する。 各マシンは、処理能力、キュー状態、リソース競合を含むローカル情報を使用して、受信タスクを評価する。 このフレームワークは、遅延、期限違反、スループット、エネルギー消費を使用して、高負荷および厳密な遅延シナリオ下での離散イベントシミュレーションによって評価される。 その結果, 高負荷下での遅延および納期順守が向上し, より厳密な制約下でのエネルギー効率が向上し, 循環生産目標に沿った資源効率が向上した。 これらの結果から,学習目標と分散型意思決定構造との整合性は,効果的な交渉主導型タスクアロケーションにとって重要であることが示唆された。

関連論文リスト

• Decentralized Multi-Agent Goal Assignment for Path Planning using Large Language Models [7.94408712915778]
  本研究は,マルチエージェントパス計画における分散型ゴール割り当ての問題に対処する。 エージェントは、環境の構造的表現に基づいて、目標よりもランク付けされた選好を独立に生成する。 完全に観測可能なグリッドワールド設定において,greedys,Optimal assignment,および大規模言語モデル(LLM)ベースのエージェントを比較した。
  論文  参考訳（メタデータ） (2025-10-27T20:05:56Z)
• Joint Optimization of Cooperation Efficiency and Communication Covertness for Target Detection with AUVs [105.81167650318054]
  本稿では,自律型水中車両(AUV)を用いた水中協調目標検出について検討する。 まず,共同軌道と電力制御の最適化問題を定式化し,それを解決するための革新的な階層的行動管理フレームワークを提案する。 集中学習と分散実行のパラダイムの下で,我々の目標検出フレームワークは,エネルギーとモビリティの制約を満たすとともに,適応的なカバート協調を可能にする。
  論文  参考訳（メタデータ） (2025-10-21T02:14:11Z)
• Benchmarking LLMs' Swarm intelligence [51.648605206159125]
  大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。 分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。 本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
  論文  参考訳（メタデータ） (2025-05-07T12:32:01Z)
• A Local Information Aggregation based Multi-Agent Reinforcement Learning for Robot Swarm Dynamic Task Allocation [4.144893164317513]
  分散化された部分観測可能なマルコフ決定プロセス(Dec_POMDP)を用いた新しいフレームワークを提案する。 我々の方法論の核心は、局所情報集約多元決定政策勾配(LIA_MADDPG)アルゴリズムである。 実験により,LIAモジュールは様々なCTDEベースのMARL法にシームレスに統合可能であることが示された。
  論文  参考訳（メタデータ） (2024-11-29T07:53:05Z)
• Merit-Based Sortition in Decentralized Systems [0.0]
  我々は'メリットベースソート'のための簡単なアルゴリズムを提案する。 本稿では,本アルゴリズムにより,活性集合の性能を本質性の2倍に向上することを示す。 これは、メリットベースのソートによって、ドラフトされた'アクティブ'セットに対する統計的に重要なパフォーマンス向上が保証されることを意味する。
  論文  参考訳（メタデータ） (2024-11-11T19:00:31Z)
• Load Balancing in Federated Learning [3.2999744336237384]
  Federated Learning(FL)は、複数のリモートデバイスに分散したデータからの学習を可能にする、分散機械学習フレームワークである。 本稿では,情報時代に基づくスケジューリングポリシーの負荷指標を提案する。 マルコフ連鎖モデルの最適パラメータを確立し、シミュレーションによりアプローチを検証する。
  論文  参考訳（メタデータ） (2024-08-01T00:56:36Z)
• DRACO: Decentralized Asynchronous Federated Learning over Row-Stochastic Wireless Networks [7.389425875982468]
  DRACOは、行確率ゴシップ無線ネットワーク上での分散非同期Descent(SGD)の新しい手法である。 我々のアプローチは、分散ネットワーク内のエッジデバイスが、連続したタイムラインに沿ってローカルトレーニングとモデル交換を行うことを可能にする。 我々の数値実験は提案手法の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2024-06-19T13:17:28Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)

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。