ネットワークのエッジでのエネルギー制約デバイスにおける深層強化学習の実現【JST・京大機械翻訳】

Hribar Jernej; Dusparic Ivana

プレプリント

J-GLOBAL ID：202202202899356647 整理番号：22P0276468

ネットワークのエッジでのエネルギー制約デバイスにおける深層強化学習の実現【JST・京大機械翻訳】

Enabling Deep Reinforcement Learning on Energy Constrained Devices at the Edge of the Network

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年01月18日プレプリントサーバーでの情報更新日： 2022年01月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

深層強化学習(DRL)解は,動的環境における自律意思決定を可能にするので,ネットワークのエッジで普及している。しかし,絶えず変化する環境に適応できるため,埋込みデバイスに実装されたDRLソリューションは,初期収束後でさえ探索的行動を時々取り込む必要がある。言い換えれば,この装置は,ランダム動作を時々取り,価値関数を更新し,すなわち,その性能を最適に維持するために,人工ニューラルネットワーク(ANN)を再訓練する。残念なことに,組込み装置はANNを訓練するのに必要な処理電力とエネルギーをしばしば欠いている。エネルギー面は,エッジデバイスがエネルギーハーベスト(EH)の手段によってのみ駆動される場合に特に困難である。この問題を克服するために,DRLプロセスをシンクで訓練する2部分アルゴリズムを提案した。次に,完全に訓練された基礎ANNの重みを,動作を取り入れたEH動力組込み装置に周期的に転送する。EH動力センサ,実世界測定データセット,および情報(AoI)メトリックの年齢の最適化を用いて,そのようなDRL解は,1日あたりわずかのANN更新だけで,性能の劣化なしに動作できることを示した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る