論文の概要: Harnessing Large Language Models for Intelligent Resource Allocation in the Internet of Everything
- arxiv url: http://arxiv.org/abs/2607.26602v1
- Date: Wed, 29 Jul 2026 08:26:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.58185
- Title: Harnessing Large Language Models for Intelligent Resource Allocation in the Internet of Everything
- Title（参考訳）: インターネットにおける知的資源配分のための大規模言語モデルの構築
- Abstract要約: Internet of Everything(IoE)の急速な発展により、インテリジェントなアプリケーションの採用が加速している。
膨大な数の接続デバイスが多種多様で異種なタスクを生成し、IoE環境における動的リソーススケジューリングの課題が増大する。
優れたセマンティック理解と推論機能を使用することで、大規模人工知能モデル(LAIM)は複雑なスケジューリングシナリオを扱う大きな可能性を示している。
本稿では,多次元スケジューリング決定モデルを構成するタスク指向のLAIM型リソーススケジューリング機構について検討する。
- 参考スコア（独自算出の注目度）: 18.956129134511624
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid development of the Internet of Everything (IoE) is accelerating the adoption of intelligent applications. However, the massive number of connected devices generates diverse and heterogeneous tasks, which pose increasing challenges for dynamic resource scheduling in IoE environments. Using their superior semantic understanding and reasoning capabilities, Large Artificial Intelligence Models (LAIMs) demonstrate significant potential to handle complex scheduling scenarios and improve resource utilization efficiency. This paper investigates a task-oriented LAIM-driven resource scheduling mechanism, which constructs a multidimensional scheduling decision model by integrating task semantics, network states, and constraint conditions. Furthermore, a task-oriented prompt generation method is designed to establish a deep association between task requirements and network state. In the proposed resource allocation scheme, an external evaluation and feedback module is incorporated to conduct real-time feasibility verification and performance evaluation of scheduling strategies, thus enhancing the robustness and adaptability of scheduling. Simulation results demonstrate that the proposed Large Language Model (LLM)-driven network architecture and resource allocation scheme achieve significant improvements in convergence speed, processing latency, and energy consumption, effectively enhancing IoE task responsiveness and resource utilization.
- Abstract（参考訳）: Internet of Everything(IoE)の急速な発展により、インテリジェントなアプリケーションの採用が加速している。
しかし、膨大な数の接続デバイスが多種多様なタスクを発生させ、IoE環境における動的リソーススケジューリングの課題が増大する。
より優れたセマンティック理解と推論機能を使用することで、大規模人工知能モデル(LAIM)は複雑なスケジューリングシナリオを処理し、リソース利用効率を向上させる重要な可能性を示す。
本稿では,タスクセマンティクス,ネットワーク状態,制約条件を統合した多次元スケジューリング決定モデルを構築する,タスク指向のLAIM型リソーススケジューリング機構について検討する。
さらに、タスク指向のプロンプト生成手法は、タスク要求とネットワーク状態の深い関連を確立するように設計されている。
提案手法では,スケジューリング戦略のリアルタイム実現可能性検証と性能評価を行うために,外部評価・フィードバックモジュールが組み込まれ,スケジューリングの堅牢性と適応性が向上する。
シミュレーションの結果,提案したLarge Language Model (LLM) によるネットワークアーキテクチャとリソース割り当て方式は,収束速度,処理遅延,エネルギー消費の大幅な改善を実現し,IoEタスク応答性と資源利用を効果的に向上することを示した。
関連論文リスト
- ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - Deep Q-Learning-Based Intelligent Scheduling for ETL Optimization in Heterogeneous Data Environments [10.31577390735368]
本稿では,深層Q-ラーニングに基づくインテリジェントなスケジューリング最適化フレームワークを提案する。
このフレームワークはスケジュールプロセスをマルコフ決定プロセスとして定式化する。
高次元状態空間における強化学習エージェントによる適応的意思決定を可能にする。
論文 参考訳（メタデータ） (2025-12-15T07:38:47Z) - Agentic AI Reasoning for Mobile Edge General Intelligence: Fundamentals, Approaches, and Directions [74.35421055079655]
大規模言語モデル(LLM)は、強力な推論と自律的な意思決定能力を備えたエージェント人工知能(AI)の出現を可能にした。
Mobile Edge General Intelligence (MEGI)は、リアルタイムでプライバシ保護の推論をネットワークエッジにもたらす。
本稿では,MEGIにおけるLLM推論の効率的な展開のための共同最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-27T10:53:48Z) - Joint Task Offloading and Resource Allocation in Low-Altitude MEC via Graph Attention Diffusion [38.35874485444821]
エアグラウンド統合マルチアクセスエッジコンピューティング(MEC)システムは、リアルタイムおよびインテリジェントなタスクスケジューリングに対する需要が高まっている。
本稿では、低高度経済ネットワークのための3層ヘテロジニアスMECシステムアーキテクチャを構築する。
論文 参考訳（メタデータ） (2025-06-27T06:03:48Z) - 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) - State-Aware IoT Scheduling Using Deep Q-Networks and Edge-Based Coordination [3.4260861366674105]
本稿では,複雑なアプリケーション環境において,インテリジェントIoTデバイスが直面するエネルギー効率管理の課題に対処する。
DQN(Deep Q-Network)とエッジ協調機構を組み合わせた新しい最適化手法を提案する。
FastBeeプラットフォームから収集した実世界のIoTデータを使って実験を行う。
論文 参考訳（メタデータ） (2025-04-22T04:24:16Z) - 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) - AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - Reinforcement Learning for Adaptive Resource Scheduling in Complex System Environments [8.315191578007857]
そこで本研究では,Q-ラーニングに基づく新しいコンピュータシステムの性能最適化と適応型ワークロード管理スケジューリングアルゴリズムを提案する。
対照的に、強化学習アルゴリズムであるQラーニングは、システムの状態変化から継続的に学習し、動的スケジューリングとリソース最適化を可能にする。
この研究は、将来の大規模システムにおけるAI駆動適応スケジューリングの統合の基礎を提供し、システムのパフォーマンスを高め、運用コストを削減し、持続可能なエネルギー消費をサポートするスケーラブルでインテリジェントなソリューションを提供する。
論文 参考訳（メタデータ） (2024-11-08T05:58:09Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z)
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。