文献

J-GLOBAL ID：202202264491213184   整理番号：22A0457577

並行連合強化学習によるIoTエッジコンピューティングにおけるリソース割当【JST・京大機械翻訳】

Resource Allocation in IoT Edge Computing via Concurrent Federated Reinforcement Learning

著者 (5件)： Tianqing Zhu (School of Computer Science, China University of Geosciences, Wuhan, China) ,  Zhou Wei (School of Computer Science, China University of Geosciences, Wuhan, China) ,  Ye Dayong (Centre for Cyber Security and Privacy and the School of Computer Science, University of Technology Sydney, Sydney, NSW, Australia) ,  Cheng Zishuo (Centre for Cyber Security and Privacy and the School of Computer Science, University of Technology Sydney, Sydney, NSW, Australia) ,  Li Jin (School of Artificial Intelligence and Blockchain, Guangzhou University, Guangzhou, China)
資料名： IEEE Internet of Things Journal  (IEEE Internet of Things Journal)
巻： 9  号： 2  ページ： 1414-1426  発行年： 2022年 
JST資料番号： W2432A  ISSN： 2327-4662  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： 資源配分は,IoTエッジコンピューティングにおける基本的研究課題であり,強化学習は,一般的解法として高速になった。現在の技術の大多数は,資源がどのように分布するかを決定する意思決定者を含む。標準クラウドシステムにおいて,この意思決定者は中心サーバである。エッジシステムにおいて,意思決定者はエッジホストである。両アプローチには欠点がある。Edgeホストは,最も最適な資源配分戦略を作成するための十分な大域的情報へのアクセスを必ずしも有さない。中央サーバはプライバシーのコストでいる。解は両方を行うことができる。したがって,本論文では,同時連合強化学習と呼ばれる新しい資源配分法を提案した。このスキームは,連合学習のプライバシー保護,強化学習の複雑問題解決力,および共同意思決定の形式における同時性の追加を継承し,資源配分戦略がグローバルシステムの利益に働く。実験は,この方式が,システム全体のユーティリティ,タスク完了の速度,および資源利用における最先端の性能を提供することを証明した。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： 問題解決 ,  同時性 ,  *資源割付 ,  プライバシー ,  意思決定者 ,  *強化学習
準シソーラス用語： 連合学習 ,  プライバシー保護 ,  資源利用 ,  *モノのインターネット ,  *エッジコンピューティング , 【Automatic Indexing@JST】

分類 (1件)： 移動通信  (ND08030H)

タイトルに関連する用語 (5件)： 並行 ,  強化学習 ,  IoT ,  エッジコンピューティング ,  リソース割当