文献

J-GLOBAL ID：202202215819353580   整理番号：22A0779575

プライバシー保護動的エッジキャッシングのための分散強化学習【JST・京大機械翻訳】

Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching

著者 (4件)： Liu Shengheng (School of Information Science and Engineering, Southeast University, Nanjing, China) ,  Zheng Chong (School of Information Science and Engineering, Southeast University, Nanjing, China) ,  Huang Yongming (School of Information Science and Engineering, Southeast University, Nanjing, China) ,  Quek Tony Q. S. (Information System Technology and Design Pillar, Singapore University of Technology and Design, Singapore)
資料名： IEEE Journal on Selected Areas in Communications  (IEEE Journal on Selected Areas in Communications)
巻： 40  号： 3  ページ： 749-760  発行年： 2022年 
JST資料番号： A0908B  ISSN： 0733-8716  CODEN： ISACEM  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： モバイルエッジコンピューティング(MEC)は,無線通信の応用分野を拡大する顕著な計算パラダイムである。ユーザ機器とMECサーバの容量の限界により,エッジキャッシング(EC)最適化はMEC可能無線ネットワークにおけるキャッシング資源の有効利用に重要である。しかし,ユーザのプライバシー保護と同様に,空間と時間にわたるコンテンツ普及のダイナミックスと複雑性は,EC最適化に対して大きな課題を提起する。本論文では,プライバシー保護分散深層決定論的ポリシー勾配(P2D3PG)アルゴリズムを提案し,MECネットワークにおける装置のキャッシュヒット率を最大化する。特に,コンテンツポピュラリティが動的,複雑かつ観察不可能であり,プライバシー保護の制約の下で分散問題としてデバイス上のキャッシュヒット率の最大化を定式化するという事実を考察した。特に,分散最適化を分散モデルフリーMarkov決定プロセス問題に変換し,次に人気予測のためにプライバシー保護連合学習法を導入した。続いて,分散強化学習に基づいてP2D3PGアルゴリズムを開発し,分散問題を解決した。シミュレーション結果は,ユーザプライバシーを保存しながら,ベースライン法を超えるECヒット率の改善における提案アプローチの優位性を実証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  シミュレーション ,  *学習 ,  通信網 ,  ネットワーク ,  *保護 ,  無線伝送 ,  利用者 ,  定式化 ,  コンテンツ
準シソーラス用語： 無線ネットワーク ,  キャッシュヒット率 ,  *キャッシング ,  *プライバシー保護 ,  決定論 ,  分散最適化 , 【Automatic Indexing@JST】

分類 (2件)： 移動通信  (ND08030H) ,  無線通信一般  (ND08010L)

タイトルに関連する用語 (5件)： プライバシー ,  エッジ ,  キャッシング ,  分散強化 ,  学習