Nov, 2021

无线边缘赋能元宇宙：一种基于学习的虚拟现实激励机制

PDF
TL;DR提出了一个适用于 VR 服务的基于学习的激励机制框架，包含深度强化学习拍卖师用于加速双倍荷兰式拍卖，并采用以感知质量为度量的质量度量，设计了优化定价分配规则的拍卖机制。实验结果表明，该框架可以实现接近最优的社会福利，同时比基准方法减少至少一半的拍卖信息交换成本。
metaversevirtual realityincentive mechanismauctiondeep reinforcement learning
发现论文，激发创造
  • 用户中心深度强化学习在无线网络元宇宙中的虚拟现实应用

    本文介绍了一种基于多用户虚拟现实计算卸载的深度强化学习方法，可在符合多种要求和约束条件下找到近乎最优解，以此来探索 Metaverse 等虚拟世界的社交互动特点。

    Mar, 2023

  • 基于深度强化学习的 6G 无线通信下移动边缘计算与 AI 启用的 Web3 Metaverse

    该研究提出了一种全新的质量服务（Quality-of-Service）模型，利用深度强化学习方法来找到多用户社交中接近最优的信道资源分配。全面的实验证明采用该质量服务模型可以提升整体社交体验。

    Dec, 2023

  • 元宇宙中的语义信息营销：一种基于学习的契约理论框架

    本研究提供一种新颖的迭代合同设计和多智能体强化学习算法来解决在 Metaverse 中数据为主线的复制的逆向选择问题，以鼓励 IoT 设备与虚拟服务提供商合作。

    Feb, 2023

  • 面向用户的异构行为深度强化学习在无线网络下的元宇宙虚拟现实中的应用

    本文基于虚拟现实技术和 Metaverse 的背景，针对多用户场景下，提出了一种基于 DRL 算法的用户中心多通道帧生成和传输的方法 UCHA，以提升用户体验。

    Feb, 2023

  • 边缘智能启用元宇宙的统一资源分配框架

    本篇论文介绍了如何在元宇宙中进行虚拟教育，并针对不断变化的用户需求问题提出了基于随机整数规划的最优资源分配方案（SORAS），以最小化虚拟服务提供商的成本，并考虑用户需求的不确定性。实验结果表明，SORAS 可以有效最小化成本。

    Oct, 2021

  • 实现边缘计算元宇宙的全面探索：愿景、技术支持和挑战

    该研究综述了基于边缘计算的元宇宙的体系结构，以及如何解决通信和计算的问题，使互操作和沉浸式的体验成为可能，同时探讨了区块链技术对于元宇宙互操作性的作用。

    Mar, 2022

  • 元宇宙中基于联邦多视图综合的研究

    基于边缘智能和深度学习的多视角合成框架，实现了在元宇宙中无线内容传输的高效计算、存储和通信资源，并通过联邦学习和转移学习，提供了有效的学习过程和快速领域适应性。

    Dec, 2023

  • 面向移动边缘计算系统定制化 VR 服务的联合提示决策 Transformer

    该研究致力于在移动边缘计算系统中提供定制化虚拟现实服务给异构用户的资源分配。通过引入体验质量度量，考虑延迟、用户注意力水平和首选分辨率等因素，建立了一个体验质量最大化的资源分配问题，并将其作为一个强化学习问题来求解。为了学习通用策略，提出了一种结合联邦学习和基于提示的序列建模的框架，用于在所有移动边缘计算服务器上预训练一个共同的决策模型，名为 FedPromptDT。通过使用联邦学习解决了本地移动边缘计算数据不足的问题，并保护了离线训练期间的用户隐私。通过整合用户环境线索和用户首选分配的设计，提高了模型对不同用户环境的适应能力。

    Feb, 2024

  • 移动虚拟现实通信、缓存和计算：建模和权衡

    该研究提出了一种基于移动边缘计算的移动 VR 传递框架，可以在移动 VR 设备上缓存一部分视野范围并运行某些后期处理程序，从而通过优化资源分配来减小所需传输速率的平均值，以满足给定的延迟约束。

    Jun, 2018

  • 无线网络下的虚拟现实：服务质量模型和基于学习的资源管理

    在小型细胞网络中，通过使用基于多属性效用理论的新型虚拟现实模型，找到了在虚拟现实无线网络中的上下行无线资源配置问题的最佳解决方案。

    Mar, 2017