論文の概要: Active Beyond-Diagonal RIS Empowered Heterogeneous Edge Computing: A Distributional Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2607.13160v1
• Date: Tue, 14 Jul 2026 18:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.560213
• Title: Active Beyond-Diagonal RIS Empowered Heterogeneous Edge Computing: A Distributional Reinforcement Learning Approach
• Title（参考訳）: 能動対角RISを用いた異種エッジコンピューティング:分散強化学習アプローチ
• Abstract要約: アクティブな対角方向のインテリジェントサーフェス(BDRIS)は、効果的な信号増幅と全空間カバレッジを実現するためにハイブリッド伝送および反射モードを可能にする。 本稿では,DSAC-Tというソフトアクター・ソフトアクター・アルゴリズムの洗練されたバージョンに基づく,エンドツーエンドのモバイル・エッジ・コンピューティング・フレームワークを開発する。 他のベースラインアルゴリズムと比較して、DSAC-Tは最もエネルギーを意識したオフロード報酬であり、最も実現可能性の高い比率であり、1シナリオあたり0.0267秒の高速オンライン決定時間である。
• 参考スコア（独自算出の注目度）: 33.021924217806756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active beyond-diagonal reconfigurable intelligent surfaces (BD-RISs) enables hybrid transmitting and reflecting mode to achieve effective signal amplification and full-space coverage, thus providing a promising solution for blockage-aware uplink offloading in heterogeneous mobile edge computing (MEC) systems. However, practical hybrid mode active BD-RIS are realized by reciprocal devices, which inherently generate cross-sector energy leakage that will reshape the system-level energy-latency tradeoff. This paper studies energy-aware offloading and resource allocation for reciprocal active BD-RIS-assisted heterogeneous MEC, where offloading decisions, CPU/GPU computation allocation, transmit powers, receive processing, and active BD-RIS are tightly coupled. The resulting problem is a high-dimensional mixed integer nonconvex problem and is difficult to solve efficiently by conventional per-instance optimization. To address this challenge, we develop an end-to-end joint optimization framework based on a refined version of the distributional soft actor--critic algorithm, named as DSAC-T. By modeling return distributions rather than only expected values, DSAC-T improves policy stability under reward heterogeneity and feasibility-boundary sensitivity. Compared with other baseline algorithms, DSAC-T achieves the best energy-latency reward, the highest feasibility ratio of 81.67%, and a fast online decision time of 0.0267 s per scenario.
• Abstract（参考訳）: アクティブな対角方向再構成可能なインテリジェントサーフェス(BD-RISs)により、ハイブリッド伝送および反射モードにより、効果的な信号増幅と全空間カバレッジを実現し、異種移動エッジコンピューティング(MEC)システムにおいて、ブロックを意識したアップリンクオフロードのための有望なソリューションを提供する。 しかし、実用的なハイブリッドモードのアクティブBD-RISは、本質的にクロスセクタのエネルギー漏れを発生させ、システムレベルのエネルギー-遅延トレードオフを再形成する相互デバイスによって実現される。 本稿では、オフロード決定、CPU/GPUの計算割り当て、送信パワー、受信処理、アクティブなBD-RISが密結合された相互アクティブなBD-RIS支援ヘテロジニアスMECのための、エネルギーを意識したオフロードとリソース割り当てについて検討する。 結果として得られる問題は、高次元混合整数非凸問題であり、従来のインスタンスごとの最適化によって効率よく解くことは困難である。 この課題に対処するため,DSAC-Tと呼ばれる分散ソフトアクター批判アルゴリズムの洗練されたバージョンに基づくエンドツーエンド共同最適化フレームワークを開発した。 DSAC-Tは、期待値だけでなく返却分布をモデル化することにより、報酬の不均一性と実現可能性境界感度の下でポリシー安定性を向上させる。 他のベースラインアルゴリズムと比較して、DSAC-Tは最高のエネルギー遅延報酬、最も高い実現率81.67%、高速オンライン決定時間0.0267秒を達成している。

関連論文リスト

• Multi-Agent DRL for QoS and Energy Optimization in RIS-Enabled Open-RAN Industrial 6G TN/NTN Networks [49.19977685617281]
  産業用6Gネットワークは、動的および閉塞性環境における超信頼性、低レイテンシ、エネルギー効率の接続を必要とする。 我々は,TN/NTN産業用6Gネットワークを統合化するためのRIS対応Open-RANフレームワークを提案する。 我々は、最先端の学習ベースと非RISベースラインと比較して、最大75%のデータレート、25%のレイテンシ削減、16%の省エネの改善を示す。
  論文  参考訳（メタデータ） (2026-05-31T16:18:25Z)
• Aerial Multi-Functional RIS in Fluid Antennas-Aided Full-Duplex Networks: A Self-Optimized Hybrid Deep Reinforcement Learning Approach [4.02185297590683]
  本稿では,自律型無人航空機 (AAV) と多機能再構成可能な表面 (MFRIS) をインテリジェント表面 (FA) AMRIS として提案する。 FAは信号、増幅、増幅、エネルギー回収(EH)を統合し、信号のカバレッジと持続可能性を向上させる。 我々は,AMRISのユーザ電力構成であるBS ULにおける送信ビームフォーミングを共同最適化することにより,全体のエネルギー効率(EE)を最大化することを目指している。
  論文  参考訳（メタデータ） (2026-04-15T18:06:48Z)
• Trustworthy AI-Driven Dynamic Hybrid RIS: Joint Optimization and Reward Poisoning-Resilient Control in Cognitive MISO Networks [7.546882801190319]
  認知無線ネットワーク(CRN)は、二次使用者(SU)が一次使用者(PU)に有害な干渉を伴わずに許可された周波数帯域にアクセスできるようにすることにより、スペクトル不足を軽減するための重要なメカニズムである。 この研究は、MISO(Multiple-Input Single-output) CRNをアンダーレイする適応的、エネルギー対応のハイブリッド再構成可能なインテリジェントサーフェス(RIS)を導入する。
  論文  参考訳（メタデータ） (2026-03-27T22:21:33Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Heterogeneous Multi-Agent Proximal Policy Optimization for Power Distribution System Restoration [4.46185759083096]
  本稿では, 相互接続したマイクログリッド間の協調修復を実現するために, 不均一・エージェント強化学習フレームワークを適用した。 その結果、HARLフレームワークにマイクログリッドレベルの不均一性を組み込むことで、複雑なPSD修復のためのスケーラブルで安定で制約対応のソリューションが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-18T18:23:35Z)
• Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
  統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。 本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
  論文  参考訳（メタデータ） (2025-07-12T17:11:06Z)
• 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)
• Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
  非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。 複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
  論文  参考訳（メタデータ） (2024-06-19T07:17:04Z)
• Lyapunov-Driven Deep Reinforcement Learning for Edge Inference Empowered by Reconfigurable Intelligent Surfaces [30.1512069754603]
  本稿では,ワイヤレスエッジにおけるエネルギー効率,低レイテンシ,高精度な推論のための新しいアルゴリズムを提案する。 本稿では,新しいデータを一連のデバイスで連続的に生成・収集し,動的キューシステムを通じて処理するシナリオについて考察する。
  論文  参考訳（メタデータ） (2023-05-18T12:46:42Z)
• Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
  アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。 非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。 ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。 増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:16:28Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。