論文の概要: Multi-Agent Transformer for Queue-Level XR Traffic Scheduling in TSN Networks

• arxiv url: http://arxiv.org/abs/2608.05340v1
• Date: Wed, 05 Aug 2026 18:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.776837
• Title: Multi-Agent Transformer for Queue-Level XR Traffic Scheduling in TSN Networks
• Title（参考訳）: TSNネットワークにおけるキューレベルXRトラフィックスケジューリングのためのマルチエージェントトランス
• Abstract要約: Time-Sensitive Networking (TSN) と Mobile Edge Computing (MEC) は、超信頼性の高い低レイテンシ通信を実現する強力な可能性を持っている。 XRトラフィックタイプは、タイミング要求の観点から異なる特徴と臨界性を持っている。 待ち行列レベルのXRトラフィックスケジューリングのためのマルチエージェント強化学習手法を提案する。
• 参考スコア（独自算出の注目度）: 3.6371794661986816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-Sensitive Networking (TSN) and Mobile Edge Computing (MEC) hold strong potential for enabling ultra-reliable low-latency communication for time-sensitive applications, such as eXtended Reality (XR). However, the widespread adoption of XR introduces significant challenges due to co-located services in MEC environments, leading to contention for shared network resources. Moreover, XR traffic types have distinct characteristics and criticality in terms of timing requirements, further increasing the complexity and dynamics of such environments. Although reinforcement learning has shown promise for TSN scheduling optimization in dynamic network scenarios, existing approaches rely on centralized or high-level multi-agent designs and are typically tailored to periodic and predictable industrial traffic, limiting their applicability to XR workloads. As a result, these approaches suffer from (i) limited ability to capture inter-queue dependencies due to coarse-grained control, and (ii) poor adaptability to highly dynamic and heterogeneous XR traffic. To address these gaps, we propose a multi-agent reinforcement learning approach for queue-level XR traffic scheduling. We adopt the multi-agent transformer (MAT) to model inter-queue dependencies via attention over agents' observations and actions, enabling implicit coordination across heterogeneous co-located XR applications. Our simulation results show that the proposed method outperforms baselines, achieving up to 71.42% latency reduction and up to 83.2% reduction in failure rate, while consistently achieving high reliability across all queues.
• Abstract（参考訳）: Time-Sensitive Networking (TSN) と Mobile Edge Computing (MEC) は、eXtended Reality (XR) のような、時間に敏感なアプリケーションに対して、超信頼性の高い低レイテンシ通信を可能にする強力な可能性を持っている。 しかし、XRの普及により、MEC環境におけるサービスの共同配置による大きな課題が生じ、ネットワークリソースの共有が競合する。 さらに、XRトラフィックタイプは、タイミング要求の観点から異なる特徴と臨界性を持ち、そのような環境の複雑さとダイナミクスをさらに高めている。 強化学習は、動的ネットワークシナリオにおけるTSNスケジューリングの最適化を約束しているが、既存のアプローチは集中型または高レベルのマルチエージェント設計に依存しており、通常は周期的および予測可能な産業トラフィックに適合し、XRワークロードへの適用性を制限している。 その結果、これらのアプローチは苦しむことになった。 (i)粗い粒度の制御によるキュー間の依存関係を捕捉する能力の制限、 (II) 非常にダイナミックで異種なXRトラフィックへの適応性が低い。 これらのギャップに対処するために、キューレベルのXRトラフィックスケジューリングのためのマルチエージェント強化学習手法を提案する。 我々はマルチエージェント変換器(MAT)を採用し、エージェントの観察と動作に注意を払ってキュー間の依存関係をモデル化し、異種共配置XRアプリケーション間の暗黙的な協調を可能にする。 シミュレーションの結果,提案手法はベースラインを上回り,レイテンシを最大71.42%削減し,障害率を最大83.2%低減すると同時に,全キューにわたって高い信頼性を実現していることがわかった。

関連論文リスト

• Multi-Agent Reinforcement Learning for Online Traffic Scheduling in Time-Sensitive Application [3.6371794661986816]
  タイムセンシティブネットワーク(TSN)がモバイルエッジコンピューティング(MEC)に統合される 本稿では,TSNスケジューリングのためのマルチエージェント強化学習(MARL)フレームワークを提案する。 提案手法により、平均フレーム待ち時間を最大26.8%削減し、最悪のケース遅延を約16.8%削減し、動的XR駆動MECシナリオにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2026-08-05T19:06:42Z)
• Multi-Timescale Latent-Action DRL for Joint Optimization in Edge-Cloud Networks [48.421359451414155]
  エッジクラウドとレイヤ間のロード不均衡は、レイテンシのパフォーマンスを低下させる。 動的タスク到着と異種リソースの下での階層型エッジクラウドコンピューティングシステム。 本稿では,サービス配置を最適化するための行動空間(2MDRL-LA)を用いた2時間深層学習研究を提案する。 平均e2e遅延を20.8%削減し、計画よりも13%改善した。
  論文  参考訳（メタデータ） (2026-06-30T11:56:15Z)
• A Token/KV-Cache Communication Media Selection and Resource Allocation Strategy for Multi-Agent Collaboration [9.576234748631647]
  通信媒体選択と無線リソース割り当てを統合した共同設計を提案する。 トークンベースの伝送もキー値(KV)キャッシュベースの伝送も,オペレーティングシステム間で均一に最適であることを示す。 数値的な結果から、異種リンク上での相互作用媒体と帯域割り当てを適応的に調整することにより、提案方式はE2E遅延を著しく低減することを確認した。
  論文  参考訳（メタデータ） (2026-05-25T04:50:45Z)
• Multi-Turn Reasoning LLMs for Task Offloading in Mobile Edge Computing [15.718757401948304]
  我々は,MECシステムにおける前向きな意思決定を可能にする生成フレームワークであるCOMLLMを提案する。 COMLLMは、ほぼ最適レイテンシを実現し、ロードバランシングの公平性を向上する。特に、ゼロショットのスケーラビリティを示し、小規模ネットワークでトレーニングされたモデルは、再トレーニングすることなく、より大きく、目に見えないトポロジに一般化することができる。
  論文  参考訳（メタデータ） (2026-04-08T14:38:48Z)
• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• A Hybrid Reinforcement Learning Framework for Hard Latency Constrained Resource Scheduling [7.586600116278698]
  ハードレイテンシ制約付きリソーススケジューリングのための新しい強化学習フレームワーク(HRL-RSHLC)を提案する。 HRL-RSHLCは,ベースラインアルゴリズムと比較して収束速度が速く,優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-03-30T09:39:13Z)
• Toward Dependency Dynamics in Multi-Agent Reinforcement Learning for Traffic Signal Control [8.312659530314937]
  適応的な信号制御のためのデータ駆動型アプローチとして強化学習(RL)が出現する。 本稿では,DQN-DPUS(Deep Q-Network)のための動的強化更新戦略を提案する。 提案手法は最適探索を犠牲にすることなく収束速度を向上できることを示す。
  論文  参考訳（メタデータ） (2025-02-23T15:29:12Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
  複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。 本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:24:47Z)

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。