文献

J-GLOBAL ID：202202279603423791   整理番号：22A0886801

マルチエージェント連合学習に基づく計算オフローディングとリソース割当【JST・京大機械翻訳】

Computation Offloading and Resource Allocation Based on Multi-agent Federated Learning

著者 (5件)： Yao Yiming (Hangzhou Innovation Institute, Beihang University, Hangzhou, China) ,  Ren Tao (Hangzhou Innovation Institute, Beihang University, Hangzhou, China) ,  Qiu Yuan (Beihang University, Beijing, China) ,  Hu Zheyuan (Beihang University, Beijing, China) ,  Li Yanqi (Hangzhou Innovation Institute, Beihang University, Hangzhou, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13202  ページ： 404-415  発行年： 2022年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  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は,ネットワークエッジに展開されたEdgeサーバ(ES)からEdgeサーバ(ES)へのオフロードコンピューティングタスクにより,低タスク待ち時間を維持しながら,強力な計算能力でユーザ要求(UE)を提供する有望なパラダイムとして提供されている。ESsの限られた計算資源,動的ネットワーク条件,および様々なUEタスク要求のため,計算オフロードを慎重に設計しなければならないので,満足なタスク性能と低いUEエネルギー消費の両方を達成できる。スケジューリング目的関数と制約は典型的に非線形であるので,計算オフローディングのスケジューリングは一般的にNP困難であり,最適解を得るのが難しい。課題に取り組むために,本論文は,深層学習と強化学習,すなわち深層強化学習を結合して,ニューラルネットワークを用いて計算オフロードポリシーを近似し,ラベル付けデータを必要としない。さらに,訓練されたニューラルネットワークモデルの一般化性能を改善するために,マルチエージェント深層決定論的ポリシー勾配(MADDPG)を連合学習アルゴリズムと統合した。著者らのシミュレーション結果に従って,提案方法は101000ステップ以内に収束することができ,それはMADDPGに基づく方式と等価である。さらに,提案した手法は,MADDPGのみに基づくアプローチよりも,低コストとより良いQoS性能を得ることができる。Copyright The Author(s), under exclusive license to Springer Nature Switzerland AG 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  スケジューリング ,  ネットワーク ,  ニューラルネットワーク ,  *資源割付 ,  目的関数 ,  待ち時間 ,  携帯電話 ,  *エージェント ,  強化学習 ,  学習アルゴリズム ,  *負荷分散
準シソーラス用語： 最適解 ,  動的ネットワーク ,  *オフローディング ,  *マルチエージェント ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 深層強化学習 ,  マルチエージェントの深い決定論的ポリシー勾配 ,  連合学習 ,  モバイルエッジコンピューティング

分類 (2件)： 計算機網  (JC03000K) ,  移動通信  (ND08030H)

タイトルに関連する用語 (5件)： マルチエージェント ,  学習 ,  計算 ,  オフローディング ,  リソース割当