小区缓存的协作多智体多臂赌博学习

MMJan, 2020

小区缓存的协作多智体多臂赌博学习

Collaborative Multi-Agent Multi-Armed Bandit Learning for Small-Cell Caching

Xianzhe Xu, Meixia Tao, Cong Shen

TL;DR该研究在未知用户偏好情况下，探究了学习型缓存在小型蜂窝网络（SCN）中的应用。在这个问题中，我们从多智能体多武器老虎机（MAMAB）的角度模拟这个序列决策问题。我们提出几种 MAMAB-Based 算法，在静态和非静态环境下直接学习缓存策略，以实现最小化系统长期传输延迟的目标。该研究验证了所提出的算法的有效性，并进一步讨论了不同参数对缓存性能的影响。

Abstract

This paper investigates learning-based caching in small-cell networks (SCNs) when user preference is unknown. The goal is to optimize the cache placement in each small base station (SBS) for minimizing the system

learning-based caching small-cell networks multi-agent decision making mamab-based algorithms non-stationary environment

发现论文，激发创造

无线小区网络中的内容感知用户聚类和缓存

本研究旨在优化小型基站中的内容缓存策略，提出了一种基于聚类与强化学习的方案，并在模拟中证明其相对于随机缓存和未聚类学习方案，能够最小化 42% 和 27% 的服务延迟，并获得 280% 和 90% 的更高卸载收益。

Sep, 2014

基于组合多臂赌博机的推荐辅助缓存

通过使用基于有限容量缓存的基站，我们研究了在无线网络中具有推荐功能的内容缓存。我们假设存在一组固定内容，用户的偏好和内容的受欢迎程度未知。我们可以向用户推荐一部分内容，以鼓励用户请求这些内容，从而增加缓存命中率。我们将缓存命中率优化问题形式化为组合多臂赌博问题，并提出了一种基于 UCB 算法的决策内容缓存和推荐的方法。我们给出了算法遗憾的上界，并通过数值实验对我们的算法性能进行了比较。

Apr, 2024

小区基站缓存内容的基于学习的优化

研究了无线小型基站中有限的回程容量中的最佳缓存内容放置，使用内容级选择性卸载并基于需求历史来优化缓存内容放置，并提供了三种算法进行研究。

Feb, 2014

基于深度多智能体强化学习的无线网络合作边缘缓存

本文提出一种基于多智能体框架的深度强化学习方法以最小化整体平均传输延迟，通过与三种不同的缓存策略对比，结果显示出该算法对于不同环境的能力更强，性能也更好。

May, 2019

异构网络中的内容级别选择性卸载：多臂赌博优化和遗憾界限

本文研究了在移动通信下行数据中进行内容级别选择性卸载的问题，将流行的内容存储在无线信息站终端的高速缓存存储器中，直接从信息站下载存储的内容，以减少蜂窝网络的延迟和负载，并利用多臂赌博问题及切换成本等方式进行最优的缓存内容放置来学习流行度模型，以提高缓存效率。

Jul, 2014

缓存启用的小型蜂窝网络：建模与权衡

研究了在具有缓存能力的小型基站网络模型中，通过确定性分布或本地缓存满足用户需求的方式，分析了系统性能的关键操作参数，并演示了目标文件比特率、存储大小、文件长度和文件流行度对故障概率和平均交付速率的影响。