論文の概要: Distributed Linear Bandits for Freshness-Aware Preprocessing in MEC-Enabled Digital Twin Networks

• arxiv url: http://arxiv.org/abs/2611.05115v1
• Date: Tue, 03 Nov 2026 16:05:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:22:34.604101
• Title: Distributed Linear Bandits for Freshness-Aware Preprocessing in MEC-Enabled Digital Twin Networks
• Title（参考訳）: MEC-Enabled Digital Twin Networksにおけるフレッシュネス・アウェア前処理のための分散線形帯域
• Abstract要約: デジタルツイン(DT)はIoT(Internet of Things)デバイスからのタイムリーなアップデートを必要とする。 異なるタスククラスには、異なる計算要求と新鮮な要求がある。 マルチアクセスエッジコンピューティングサーバがIoTデータを前処理する新鮮度対応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.799969476894555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital twins (DTs) require timely updates from Internet of Things (IoT) devices to accurately represent the state of the corresponding physical systems, but transmitting large data volumes can compromise freshness. Moreover, different task classes have distinct computational demands and freshness requirements, while stochastic task generation and sizes complicate resource allocation. In this paper, we propose a freshness-aware framework in which multi-access edge computing (MEC) servers preprocess IoT data, reducing transmission volume and DT-server processing load. The framework establishes mutual support between DT and MEC servers. The DTs determine feasible CPU-allocation strategies guaranteeing class-specific age-of-information (AoI) requirements under specified workload, delay, and update-generation bounds. MEC servers collaboratively identify the feasible strategy minimizing expected freshness-normalized preprocessing delay. We formulate CPU-strategy selection as a fixed-confidence distributed best-arm identification problem in linear bandits, with MEC servers as agents and CPU allocations across task classes as arms. We employ DistLinGapE, a distributed collaborative learning method, to coordinate exploration and share observations. Numerical results show that the method identifies the optimal feasible strategy and reduces preprocessing delay when deployed under stationary task-class assignments and workload statistics. Collaboration yields an identification speedup nearly proportional to the number of participating MEC servers in the evaluated settings.
• Abstract（参考訳）: デジタルツイン(DT)は、対応する物理システムの状態を正確に表現するためにIoT(Internet of Things)デバイスからのタイムリーなアップデートを必要とするが、大規模なデータボリュームの送信は、鮮度を損なう可能性がある。 さらに、異なるタスククラスは異なる計算要求とフレッシュネス要求を持ち、確率的なタスク生成とサイズはリソース割り当てを複雑にする。 本稿では,マルチアクセスエッジコンピューティング(MEC)サーバがIoTデータを前処理し,伝送量とDTサーバ処理負荷を低減できる新鮮度対応フレームワークを提案する。 このフレームワークはDTとMECサーバ間の相互サポートを確立する。 DTは、特定のワークロード、遅延、更新世代境界の下で、クラス固有の情報年齢(AoI)要件を保証する実行可能なCPU割り当て戦略を決定する。 MECサーバは、期待される新鮮化正規化前処理遅延を最小限に抑える、実現可能な戦略を共同で特定する。 我々は,CPU-ストラテジー選択を線形帯域における固定信頼分散ベストアーム識別問題として定式化し,MECサーバをエージェントとし,タスククラスをアームとしてCPU割り当てを行う。 本研究では,分散協調学習手法であるDistLinGapEを用いて探索と観測の共有を行う。 数値計算により,本手法は最適実行戦略を同定し,定常タスククラスの割り当てやワークロード統計の下での事前処理の遅延を低減する。 コラボレーションにより、評価された設定におけるMECサーバの数にほぼ比例する識別スピードアップが得られる。

関連論文リスト

• Deadline-Aware Multi-Agent Reinforcement Learning for TSN-Based Vehicular Edge Networks [3.1336694873007005]
  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。
  論文  参考訳（メタデータ） (2026-10-07T11:30:19Z)
• 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)
• Learning to Share: Selective Memory for Efficient Parallel Agentic Systems [49.78267008828593]
  エージェントシステムは、反復的に推論する複数のエージェントを調整することで複雑なタスクを解決し、ツールを呼び出し、中間結果を交換する。 最近のアプローチでは、さまざまな推論の軌跡を探索するために、複数のエージェントチームが並行して運用されている。 我々は並列エージェントフレームワークのための学習された共有メモリ機構であるLearning to Share (LTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T18:20:21Z)
• Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
  本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。 圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。 その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-03-17T08:37:22Z)
• Split Learning in Computer Vision for Semantic Segmentation Delay Minimization [25.0679083637967]
  分割学習(SL)を用いたセマンティックセグメンテーションにおける推論遅延を最小化する新しい手法を提案する。 SLはリソース制約のあるデバイスのためのリアルタイムコンピュータビジョン(CV)アプリケーションのニーズに合わせて調整されている。
  論文  参考訳（メタデータ） (2024-12-18T19:07:25Z)
• Efficient Asynchronous Federated Learning with Sparsification and Quantization [55.6801207905772]
  フェデレートラーニング(FL)は、生データを転送することなく、機械学習モデルを協調的にトレーニングするために、ますます注目を集めている。 FLは一般的に、モデルトレーニングの全プロセス中にパラメータサーバーと多数のエッジデバイスを利用する。 TEASQ-Fedは、エッジデバイスを利用して、タスクに積極的に適用することで、トレーニングプロセスに非同期に参加する。
  論文  参考訳（メタデータ） (2023-12-23T07:47:07Z)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• DynaComm: Accelerating Distributed CNN Training between Edges and Clouds through Dynamic Communication Scheduling [11.34309642431225]
  本稿では,各送信手順を複数のセグメントに分割し,実行時に重複する最適な通信と計算を実現する新しいスケジューラDynaCommを提案する。 DynaComm は、モデル精度を保ちながら、競合する戦略と比較して、すべてのケースで最適なスケジューリングを実現できることを確認します。
  論文  参考訳（メタデータ） (2021-01-20T05:09:41Z)

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。