Fugu-MT 論文翻訳(概要): A-MADiff: Attention-Guided Multi-Agent DRL with Diffusion Policies for Memory-Aware Task Orchestration in Mobile AIGC Networks

論文の概要: A-MADiff: Attention-Guided Multi-Agent DRL with Diffusion Policies for Memory-Aware Task Orchestration in Mobile AIGC Networks

arxiv url: http://arxiv.org/abs/2608.29255v1
Date: Sat, 29 Aug 2026 13:19:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:30.902728
Title: A-MADiff: Attention-Guided Multi-Agent DRL with Diffusion Policies for Memory-Aware Task Orchestration in Mobile AIGC Networks
Title（参考訳）: A-MADiff: モバイルAIGCネットワークにおけるメモリ対応タスクオーケストレーションのための拡散ポリシー付き注意ガイド型マルチエージェントDRL
Abstract要約: モバイルAIGCネットワークは、エッジロケーションのAIGCサービスプロバイダ(ASPs)上でGenAIモデルをホストし、モバイルユーザに低レイテンシでパーソナライズされたAIGCサービスを提供する。 AIGCタスクオーケストレーションに関する既存の研究は、GPUメモリ実現可能性の制約を概ね見落としている。我々は、アンダーライン拡散ポリシー(A-MADiff)を用いたアンダーラインアテンション誘導型アンダーライン・アンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンガートディープ強化学習アルゴリズムを提案する。 A-MADiffは状態に対する累積報酬を大幅に改善することを示した。
参考スコア（独自算出の注目度）: 12.516277671699525
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Artificial Intelligence-Generated Content (AIGC) services employ Generative AI (GenAI) models to automatically generate diverse content. Mobile AIGC networks host GenAI models on edge-located AIGC Service Providers (ASPs) to deliver low-latency and personalized AIGC services for mobile users. However, AIGC inference tasks typically occupy GPU memory until task completion, causing GPU memory exhaustion at serving ASPs and triggering out-of-memory failures rather than merely increasing service latency. Existing studies on AIGC task orchestration have largely overlooked GPU memory feasibility constraints. To address this issue, we develop a cooperative multi-agent orchestration framework, in which each edge node is equipped with a scheduling agent to route tasks to local ASPs or neighboring edge nodes. Since scheduling agents make decisions based only on local observations, while peer offloading couples their resource states and long-term utilities, we formulate the orchestration process as a cooperative Decentralized Partially Observable Markov Decision Process (Dec-POMDP). To solve the Dec-POMDP, we propose an \underline{A}ttention-guided \underline{M}ulti-\underline{A}gent deep reinforcement learning algorithm with \underline{Diff}usion policies (A-MADiff) under the centralized training with a decentralized execution paradigm. A-MADiff employs diffusion-based decentralized actors to generate multi-modal preferences over feasible orchestration actions, and an attention-guided centralized critic to estimate per-agent values from cross-agent states under GPU memory heterogeneity. Numerical results demonstrate that A-MADiff significantly improves the cumulative reward over the state-of-the-art baseline.
Abstract（参考訳）: AIGC(Artificial Intelligence-Generated Content)サービスでは、Generative AI(GenAI)モデルを使用して、さまざまなコンテンツを自動生成する。モバイルAIGCネットワークは、エッジロケーションのAIGCサービスプロバイダ(ASPs)上でGenAIモデルをホストし、モバイルユーザに低レイテンシでパーソナライズされたAIGCサービスを提供する。しかし、AIGC推論タスクは通常、タスクが完了するまでGPUメモリを占有する。 AIGCタスクオーケストレーションに関する既存の研究は、GPUメモリ実現可能性の制約を概ね見落としている。この問題に対処するため,各エッジノードにローカルASPや隣接エッジノードにタスクをルーティングするスケジューリングエージェントを備えた,協調型マルチエージェントオーケストレーションフレームワークを開発した。スケジューリングエージェントはローカルな観測のみに基づいて意思決定を行う一方、ピアオフロードはリソース状態と長期的ユーティリティを結合するので、協調的な分散部分観測可能なマルコフ決定プロセス(Dec-POMDP)としてオーケストレーションプロセスを定式化する。 Dec-POMDP を解決するために,分散実行パラダイムを用いた集中型トレーニングの下で, 集中型トレーニングの下で, 集中型学習の下での深層強化学習アルゴリズムである \underline{A}ttention-guided \underline{M}ulti-\underline{A}gent を提案する。 A-MADiffは拡散ベースの分散アクターを使用して、実行可能なオーケストレーションアクションよりもマルチモーダルな選好を生成する。その結果,A-MADiffは最先端のベースラインに対する累積報酬を大幅に改善することがわかった。

関連論文リスト

Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
論文参考訳（メタデータ） (2026-09-04T23:32:11Z)
PLATO: Pointer Learner for Agent and Task Openness [2.413584261314428]
エージェント・タスク・オープンネスのためのポインタ学習システム(PLATO)について紹介する。 PLATOはポインタネットワークベースのアクターであり、集中型グラフニューラルネットワーク(GNN)批判と組み合わせている。我々は,OASYSの最先端ベースラインよりも高い性能と一貫したゼロショットの一般化を示す。
論文参考訳（メタデータ） (2026-07-27T21:20:13Z)
Multi-Agent Computer Use [72.79887808312706]
我々はマルチエージェント・コンピュータ・ユース(MACU)システムの評価・構築に向けて進むべきであると論じる。本稿では、マネージャモデルがコンピュータ使用タスクを有向非巡回グラフ(DAG)として分解する汎用マルチエージェント構成を提案する。各イテレーションで、マネージャは並列CUAサブエージェントをディスパッチし、DAGの準備ができているフロンティアでノードを実行する。
論文参考訳（メタデータ） (2026-06-01T01:29:36Z)
AgentxGCore: Agentic AI for Next-Generation Mobile Core Network [0.0]
次世代モバイルネットワーク(NextG)は、Core Network(CN)上にAIネイティブアーキテクチャを採用する。ネットワークオーケストレーションと管理の新しい時代が始まり、Intent-based Networking(IBN)パラダイムを活用、強化する。提案では、リアルタイム情報に基づく継続的最適化のためのAI駆動クローズドループを確立する。
論文参考訳（メタデータ） (2026-05-29T23:13:46Z)
GTA: Generating Long-Horizon Tasks for Web Agents at Scale [82.43869456830664]
我々は、クローリング、検索ベースのシード、コンテキスト内生成、自動品質管理を統合したスケーラブルなフレームワーク、GTAを導入する。 eコマース、政府、フォーラム、ニュースをカバーする50以上のウェブサイトでパイプラインをインスタンス化し、マルチリンガルとマルチホップをカバーしています。 i) マルチホップWebエージェントタスク生成の形式化、(ii) 自動データ生成のための効率的で検証されたパイプラインの提案、(iii) 再現可能な評価を伴う動的ベンチマークのリリースである。
論文参考訳（メタデータ） (2026-05-28T01:05:50Z)
SAGA: Workflow-Atomic Scheduling for AI Agent Inference on GPU Clusters [13.891522069967507]
本稿では,複合AIワークロードのプログラムレベルスケジューリングへのシフトを提案する。本稿では,この抽象化を実現する分散スケジューラSAGAを提案する。
論文参考訳（メタデータ） (2026-05-01T09:05:28Z)
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)
Accelerating AIGC Services with Latent Action Diffusion Scheduling in Edge Networks [27.961536719427205]
現在のAIGCモデルは、主に集中型のフレームワーク内のコンテンツ品質に焦点を当てており、高いサービス遅延とネガティブなユーザエクスペリエンスをもたらす。高速AIGCサービスのための複数のエッジサーバを編成する新しい遅延アクション拡散に基づくタスクスケジューリング手法であるLAD-TSを提案する。また,AIGCモデルを改良したプロトタイプエッジシステムであるDEdgeAIを開発し,LAD-TS法の実装と評価を行った。
論文参考訳（メタデータ） (2024-12-24T06:40:13Z)
Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-12-14T06:17:33Z)
Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
論文参考訳（メタデータ） (2024-11-03T07:01:13Z)
A Bayesian Framework of Deep Reinforcement Learning for Joint O-RAN/MEC Orchestration [12.914011030970814]
マルチアクセスエッジコンピューティング(MEC)は、コモディティプラットフォーム上でOpen Radio Access Network(O-RAN)と一緒に実装することで、低コストなデプロイメントを実現する。本稿では,ベイジアンディープ強化学習(RL)を用いたO-RAN/MEC協調オーケストレーションを提案する。
論文参考訳（メタデータ） (2023-12-26T18:04:49Z)
Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文参考訳（メタデータ） (2020-10-02T10:41:59Z)

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。