Mar, 2019

边缘服务预算约束下的需求估计与贝叶斯赌博学习

PDF
TL;DR本研究提出一种基于上下文的在线算法，称为 COERR，用于边缘资源租赁问题，以在预算有限的情况下最大化 ASP 的效用，并通过一系列实验检验了其可行性。
edge computingresource allocationcontext-awareonline algorithmmulti-armed bandit
发现论文，激发创造
  • 基于合作上下文臂银行算法的分布式在线学习

    本文提出了一种新的分布式在线学习框架，将学习者建模为合作的情境赌博机，分析了分布式在线学习算法和完全知识基准的效率，研究表明后者在时间上失误是亚线性的，该理论框架可用于许多实际应用中，包括大数据挖掘、监视传感器网络事件检测和分布式在线推荐系统。

    Aug, 2013

  • 多接入边缘计算中的服务器放置和工作负载分配强化学习框架

    本研究提出了一种使用强化学习解决最小化网络延迟和边缘服务器数量的问题的新 RL 框架，该问题涉及云计算、多接入边缘计算、组合优化问题和马尔可夫决策过程。

    Feb, 2022

  • 跟随我在边缘：面向移动边缘计算的移动感知动态服务部署

    本文研究了移动边缘计算下长期成本预算约束条件下的移动边缘服务性能优化问题，并应用 Lyapunov 优化将问题分解为一系列实时优化问题，提出了一种基于马尔科夫逼近的近似算法和一种基于最佳响应更新技术的分布式逼近方案，理论分析和严格评估证明了这些方法的有效性。

    Sep, 2018

  • 提高分区边缘学习效率的联合参数和带宽分配

    本文提出了一个基于有限资源设备的边缘学习框架，其中参数以及带宽分配共同优化，实验结果表明此方法能够显著提高分区式边缘学习的性能。

    Mar, 2020

  • 基于能量收集的移动边缘计算离线卸载和自动扩展的在线学习

    本文提出了一种基于强化学习的资源管理算法，用于将可再生能源纳入移动边缘计算中，在动态负载卸载和边缘服务器供应方面实现最优策略，以最小化系统成本和延迟，并通过模拟结果验证了算法的有效性。

    Mar, 2017

  • 具上下文的无休止多臂赌博机在需求响应决策中的应用

    介绍了一种新的多臂赌博机框架 —— 上下文不安定赌博机（CRB），用于复杂的在线决策。该 CRB 框架结合了上下文赌博机和不安定赌博机的核心特征，可以模拟每个臂的内部状态转换以及外部全局环境上下文的影响。使用双重分解方法，我们开发了一个可扩展的指标策略算法来解决 CRB 问题，并对该算法的渐近最优性进行了理论分析。在臂模型未知的情况下，我们进一步提出了一种基于指标策略的基于模型的在线学习算法，同时学习臂模型和做出决策。此外，我们将所提出的 CRB 框架和指标策略算法专门应用于智能电网中的需求响应决策问题。数值模拟实验证明了我们所提出的 CRB 方法的性能和效率。

    Mar, 2024

  • 利用强化学习进行物联网边缘计算资源分配

    本文提出一种边缘计算中使用强化学习来降低能耗和任务执行延迟的近似最优算法。

    Mar, 2019

  • 边缘云多用户推理编排的在线学习

    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

  • 云网络融合 5G 以后的服务预测和编排的 QoS 感知

    本文通过引入基于 RNN 的 DDQL 技术和基于 water-filling 算法的服务放置方法，解决了网络云集成环境中的服务放置和资源分配问题，从而实现在 B5G 中动态用户、超低延迟服务的放置以及用户迁移时的服务连续性的优化。

    Sep, 2023

  • 资源受限边缘计算系统中的自适应联邦学习

    本文主要研究在边缘计算环境中使用分布式梯度下降学习模型参数的问题，提出控制算法以最小化给定资源预算下的损失函数，并通过真实数据集的大量实验评估算法性能。

    Apr, 2018