我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

Feb, 2022

通过利用移动边缘计算来减轻计算负担，本文提出了一种基于在边缘服务器端的可移动感知深度强化学习模型的有效解决方案，用于计算调度和资源，结果表明该方法可以通过使用最少的机器人能量满足延迟要求并保证计算精度。

Aug, 2023

本文提出了一种基于深度强化学习的在线边缘计算离线策略，在自适应调整参数的基础上有效减少了计算时间，提高了计算性能。

Aug, 2018

本文提出了一种数据混淆技术，通过将数据混淆后再发送到云端计算节点，以绕过资源约束设备上使用深度神经网络时所面临的困难，并解决了数据隐私泄露的问题。

May, 2018

利用卷积神经网络的视觉跟踪能力配合移动边缘计算，提出了一种新的层次分布式计算框架，将有限的计算资源和能量预算分配到无人机和移动边缘服务器上，以达到更高的推断精度和更低的计算成本。

Aug, 2020

本篇论文提出了一种基于深度 Q 学习的决策算法，使得使用 UAV 和多接入边缘计算设备的无线网络能够有效地监测农田，通过图像分类来预防火灾或洪水等情况，并且与 Q 学习和三种基线算法相比，本文方法在监测效果和性能方面表现出了可比较的结果，而且能够比 Q 学习更快地达到收敛。

Sep, 2022

本文提出了一种数字孪生（DT）辅助的任务卸载框架，用于移动边缘计算卸载策略的优化，基于预测未来计算任务的学习方案，将卸载调度过程建模为马尔可夫决策过程（MDP），以在延迟、能耗和云租用成本之间平衡，以获得最优卸载策略。

Dec, 2021

通过将基于模型的强化学习和无模型强化学习相结合，我们提出了一种混合学习策略，可以加速深度学习推理编配过程中寻找最佳编配策略的过程，并在实验中表现出比基于最新强化学习方法的编排方法加速学习过程 166.6 倍的高效性。

Feb, 2022

通过在基于分布式贪婪框架上引入基于图的机器学习，我们提出了一种低开销、拥塞感知的分布式任务卸载方案，以应对无线多跳网络中来自多个移动设备的任务所造成的潜在网络拥塞问题。在仿真的无线多跳网络中，根据最短路径路由和基于争用的链路调度的资源分配方案，我们的方法在减少拥塞或不稳定队列的同时，提高了本地计算的执行延迟，相比于上下文不可知的基准方案。

Dec, 2023

我们提出了一个新的框架，用于自动驾驶汽车中的相机重定位，利用深度神经网络 (DNN)。通过边缘云协作，我们解决了现有方法在推理期间高计算需求的问题，通过将神经网络的某些模块策略性地卸载到服务器，并评估数据帧在不同网络分割方案下的推理时间，以指导我们的卸载决策。我们的研究结果突出了服务器端卸载在基于 DNN 的自动驾驶汽车相机重定位中的重要作用，我们还讨论了数据融合的结果。最后，通过实验评估验证了我们提出的框架的有效性。

Dec, 2023