論文の概要: Adaptive Multi-Discriminator WGAN Framework for Resource-Constrained Internet of Vehicles Using Reinforcement Learning and Game Theory
- arxiv url: http://arxiv.org/abs/2610.10926v1
- Date: Wed, 07 Oct 2026 21:28:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.678167
- Title: Adaptive Multi-Discriminator WGAN Framework for Resource-Constrained Internet of Vehicles Using Reinforcement Learning and Game Theory
- Title（参考訳）: 強化学習とゲーム理論を用いた資源制約付き自動車インターネットのための適応型マルチディスクリミネータWGANフレームワーク
- Abstract要約: 本稿では,強化学習とゲーム理論調整を統合した適応型多識別器Wasserstein GAN (MD-WGAN) フレームワークを提案する。
統一された最適化目的は、敵の学習品質と資源効率、通信オーバーヘッド、および車両の制約下でのレイテンシを結びつける。
実世界のNGSIMトラジェクトリデータの評価は、このフレームワークが最先端のGANベースラインと同等の精度で予測できることを示している。
- 参考スコア（独自算出の注目度）: 0.688204255655161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Managing machine learning workloads as a network service introduces a resource-orchestration problem distinct from conventional model training; which nodes should be allocated to a task, how communication and computation budgets should be divided among them, and how service quality should be sustained as connectivity and node availability change with mobility. Deploying Generative Adversarial Networks (GANs) in Internet of Vehicles (IoV) environments is a demanding instance of this problem; resource constraints, dynamic network topologies, and competing optimization objectives mean that traditional GAN architectures cannot simultaneously achieve high accuracy, efficient resource use, low delay, and low communication overhead. This paper introduces an adaptive multi-discriminator Wasserstein GAN (MD-WGAN) framework that integrates reinforcement learning with game-theoretic coordination to address these challenges jointly. In our framework, roadside units host generators paired with Deep Q-Network (DQN) agents that select discriminator subsets and manage distributed training across mobile vehicular nodes, while a game-theoretic coordination step allocates training epochs between generators and discriminators. A unified optimization objective ties adversarial learning quality to resource efficiency, communication overhead, and latency under vehicular constraints, allowing the framework to continuously adapt its training behavior as network conditions change. Evaluation on real-world NGSIM trajectory data shows that the framework attains prediction accuracy comparable to state-of-the-art GAN baselines - the lowest RMSE (1.029) and MAE (0.894) among all evaluated methods - while markedly improving resource efficiency: average CPU utilization is reduced by roughly 28% and mean memory usage by roughly 6%, at competitive communication overhead and latency.
- Abstract（参考訳）: 従来のモデルトレーニングとは違い、どのノードをタスクに割り当てるか、通信と計算の予算をどのように分割するか、接続性とノードの可用性がモビリティとともに変化するにつれて、サービス品質が維持されるか、といった問題だ。
リソース制約、動的ネットワークトポロジ、競合する最適化目的は、従来のGANアーキテクチャが高い精度、効率的なリソース使用、低遅延、低通信オーバーヘッドを同時に達成できないことを意味する。
本稿では、強化学習とゲーム理論の協調を統合し、これらの課題に共同で対処する適応型多識別器Wasserstein GAN(MD-WGAN)フレームワークを提案する。
本フレームワークでは,DQN(Deep Q-Network)エージェントと組み合わせて,識別器サブセットを選択し,移動車体ノード間の分散トレーニングを管理するとともに,ゲーム理論の調整ステップでは,生成器と識別器間の訓練エポックを割り当てる。
統合された最適化の目的は、敵の学習品質とリソース効率、通信オーバヘッド、遅延を車載制約下で結びつけることで、ネットワーク条件が変化するにつれて、フレームワークはそのトレーニング動作を継続的に適応させることができる。
実世界のNGSIMトラジェクトリデータの評価によると、このフレームワークは、すべての評価手法の中で、最先端のGANベースライン(RMSE(1.029)とMAE(0.894))に匹敵する予測精度を達成し、リソース効率を著しく改善している。
関連論文リスト
- Agentic AI Networking for Heterogeneous Unmanned Aerial Systems in Low-Altitude Wireless Networks [51.122913904076505]
低高度無線ネットワーク(LAWN)は、異種無人航空システムの鍵となる基盤として浮上している。
本稿では,マルチエージェント強化学習(MARL)アーキテクチャを二重ループ構造として,階層型ハイブリッド型大規模言語モデル(LLM)を提案する。
具体的には、外部適応ループはLLMによるゲームオーケストレーションを使用して、サービス要件とオペレータの意図を解釈し、目的とリソースの優先順位を再設定する。
物流監視ケーススタディは、提案したフレームワークが異種サービス間の協調共存をどのように促進するかを示す。
論文 参考訳（メタデータ） (2026-09-17T01:04:27Z) - 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) - Meta Hierarchical Reinforcement Learning for Scalable Resource Management in O-RAN [9.290879387995401]
本稿では,モデル非依存型メタラーニング(MAML)に触発された適応型メタ階層型強化学習フレームワークを提案する。
このフレームワークは階層的な制御とメタラーニングを統合し、グローバルとローカルの両方の適応を可能にする。
ネットワークスケールの増加に伴い、適応と一貫性のある公平性、レイテンシ、スループットのパフォーマンスが最大40%向上する。
論文 参考訳（メタデータ） (2025-12-08T08:16:27Z) - Decentralized Rank Scheduling for Energy-Constrained Multi-Task Federated Fine-Tuning in Edge-Assisted IoV Networks [5.034703123469061]
インターネット・オブ・ビークルズ(IoV)システムでは、クライアントの移動性、異種資源、断続接続性のために、効率的な低遅延マルチタスク適応を実現することが困難である。
本稿では,道路側ユニット(RSU)と車両を協調し,動的IoVシナリオをまたいだ資源認識および移動性学習を支援する階層的なファインチューニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-13T06:29:00Z) - MAGNNET: Multi-Agent Graph Neural Network-based Efficient Task Allocation for Autonomous Vehicles with Deep Reinforcement Learning [2.5022287664959446]
本稿では,グラフニューラルネットワーク(GNN)を一元的トレーニングと分散実行(CTDE)パラダイムに統合する新しいフレームワークを提案する。
本手法により,無人航空機 (UAV) と無人地上車両 (UGV) は, 中央調整を必要とせず, 効率よくタスクを割り当てることができる。
論文 参考訳（メタデータ） (2025-02-04T13:29:56Z) - SCALE: Self-regulated Clustered federAted LEarning in a Homogeneous Environment [4.925906256430176]
フェデレートラーニング(FL)は、ユーザのプライバシを維持しながら、分散機械学習を実現するための変革的なアプローチとして登場した。
本稿では,エッジサーバへの依存を排除し,これらの制約を克服する新しいFL手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T20:42:16Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - 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) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z)
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。