論文の概要: Deadline-Aware Multi-Agent Reinforcement Learning for TSN-Based Vehicular Edge Networks

• arxiv url: http://arxiv.org/abs/2610.09870v1
• Date: Wed, 07 Oct 2026 11:30:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.874964
• Title: Deadline-Aware Multi-Agent Reinforcement Learning for TSN-Based Vehicular Edge Networks
• Title（参考訳）: TSNに基づくベクトルエッジネットワークのためのデッドライン対応マルチエージェント強化学習
• Abstract要約: 車両エッジコンピューティングは、コンピューティングとネットワークリソースを車両に近づけることで、レイテンシに敏感なアプリケーションを可能にする。 TSN対応VECにおけるキューレベルの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)手法を提案する。 我々は、協調的かつ自律的なスケジューリング決定を可能にするために、MAPPO(Multi-Adnt proximal Policy Optimization)を採用している。
• 参考スコア（独自算出の注目度）: 3.1336694873007005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicular edge computing (VEC) enables latency-sensitive applications by bringing computing and networking resources closer to vehicles. However, existing approaches often overlook network contention among co-located services with heterogeneous and dynamic latency requirements. While time-sensitive networking (TSN) provides bounded-latency communication, conventional and reinforcement learning-based schedulers struggle to adapt to highly dynamic vehicular environments and inter-queue dependencies. To address these limitations, we propose a multi-agent reinforcement learning (MARL) approach for queue-level scheduling in TSN-enabled VEC. Each TSN queue is assigned an autonomous agent that jointly learns the queue service order and time-slot duration to minimize deadline misses under speed-dependent latency requirements. We employ multi-agent proximal policy optimization (MAPPO) to enable coordinated yet autonomous scheduling decisions. Evaluation against single-agent, multi-agent, and non-learning-based baselines shows that MAPPO provides robust performance across different traffic profiles. Compared with centralized single-agent methods, it reduces service latency by up to 66.2% and improves reliability by up to 271.8%. Furthermore, unlike urgency-based heuristics, MAPPO ensures balanced scheduling while achieving lower inference times compared to other MARL methods.
• Abstract（参考訳）: Vehicular Edge Computing (VEC)は、コンピューティングとネットワークリソースを車両に近づけることで、遅延に敏感なアプリケーションを可能にする。 しかし、既存のアプローチは、不均一で動的なレイテンシ要件を持つ同一ロケーションのサービス間でのネットワーク競合をしばしば見落としている。 時間に敏感なネットワーク(TSN)は有界レイテンシ通信を提供するが、従来の強化学習ベースのスケジューラは、非常にダイナミックな車両環境や待ち行列間の依存関係に適応するのに苦労する。 これらの制約に対処するため、TSN対応VECにおける待ち行列レベルの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)手法を提案する。 各TSNキューには自律エージェントが割り当てられ、キューサービスの順序とタイムスロット期間を共同で学習することで、速度依存のレイテンシ要件下でのデッドラインミスを最小限にする。 我々は、協調的かつ自律的なスケジューリング決定を可能にするために、MAPPO(Multi-Adnt proximal Policy Optimization)を採用している。 シングルエージェント,マルチエージェント,非学習ベースラインに対する評価は,MAPPOが異なるトラフィックプロファイル間で堅牢なパフォーマンスを提供することを示す。 集中型単一エージェント方式と比較して、サービスレイテンシを66.2%削減し、信頼性を271.8%向上させる。 さらに、緊急性に基づくヒューリスティックスとは異なり、MAPPOは、他のMARL法と比較して低い推論時間を実現しつつ、バランスの取れたスケジューリングを保証する。

関連論文リスト

• End-to-End Latency-Minimizing and Load-Balanced Request Scheduling for Edge LLM Inference in Agentic AI Services [13.04369901641143]
  大規模言語モデル(LLM)を使用したエージェントAIサービスでは、低レイテンシ推論がますます求められている。 本研究では,各要求に対する送信,プリフィル,再分配レベル復号化,キー値キャッシュの進化をキャプチャするクロススロット推論モデルを開発した。 本稿では,Lyapunov最適化による長期負荷分散制約を変換するLYREO手法を提案する。
  論文  参考訳（メタデータ） (2026-09-15T13:50:54Z)
• 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-Agent Transformer for Queue-Level XR Traffic Scheduling in TSN Networks [3.6371794661986816]
  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。
  論文  参考訳（メタデータ） (2026-08-05T18:57:24Z)
• MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
  事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。 本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。 適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
  論文  参考訳（メタデータ） (2026-08-02T10:05:50Z)
• 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)
• Asynchronous MultiAgent Reinforcement Learning for 5G Routing under Side Constraints [1.0732935873226022]
  本稿では,PPOエージェントが並列にルートを計画し,共有グローバルリソース環境にリソースデルタをコミットする非同期マルチエージェント強化学習フレームワークを提案する。 モントリオール市からのほぼリアルタイム交通データを用いて,O-RAN様ネットワークシミュレーションの手法の評価を行った。 AMARLはGoS(Gorge of Service)とエンドツーエンドのレイテンシを実現し、トレーニングウォールタイム時間を短縮し、需要シフトに対する堅牢性を向上させる。
  論文  参考訳（メタデータ） (2026-01-18T18:38:37Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
  パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。 我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
  論文  参考訳（メタデータ） (2021-05-01T10:18:34Z)

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。