Feb, 2022

边缘云多用户推理编排的在线学习

PDF
TL;DR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。
deep learningcomputation offloadingreinforcement learningedge computingcyber-physical applications
发现论文，激发创造
  • 多用户边缘云网络中编排深度学习推理的混合学习

    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

  • 云机器人网络卸载策略：基于学习的方法

    本研究提出了一种针对资源受限型机器人的重要问题：如何在提高精度和减少云端通信成本之间进行权衡，在机器人不确定时何时和如何卸载任务，使用深度强化学习的解决方案可以显著改善任务性能和减少通信成本。

    Feb, 2019

  • 边缘计算与深度学习的融合：一项全面调查

    该论文介绍了边缘智能和智能边缘的应用场景，实现方法和相互融合的挑战和未来趋势。通过整合通信，网络和深度学习领域的信息，促进了边缘智能和智能边缘的融合。

    Jul, 2019

  • 无线供能移动边缘计算网络中的在线计算卸载深度强化学习

    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

  • 基于无人机互联网的深度学习目标跟踪边缘计算卸载优化

    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

  • 基于深度强化学习的车联网边缘计算

    提出了一个基于深度强化学习的知识驱动服务卸载决策框架，用于解决车辆互联网中多任务服务的卸载问题，并使用仿真实验证明此框架具有快速收敛、适应环境变化和优于贪心算法的性能优势。

    Dec, 2018

  • 边缘设备上实现深度学习

    本论文探讨了 DNN 在资源受限的边缘设备上部署的优化问题，并研究了四种边缘智能场景下的深度学习方法，通过减少 DNN 冗余度来达到资源消耗与模型准确度之间的平衡。

    Oct, 2022

  • 移动边缘计算中的性能优化：基于深度强化学习的方法

    本文提出了一种基于深度强化学习和马尔科夫决策过程的移动边缘计算系统中的任务卸载策略优化算法。实验结果表明，该算法相比基线策略有了显著的平均成本改善。

    Mar, 2018

  • 虚拟边缘计算系统中基于深度强化学习的计算卸载性能优化

    本文讨论了在移动网络中为实现计算任务的优化，如何通过最优计算分配策略，结合移动设备与 MEC 服务器的计算能力以及移动设备与基站之间的不同状态，达到最大化长期效益性能的效果，并利用 Q 函数分解技术与双深度 Q 网络相结合，实现了随机计算分配的学习算法。

    May, 2018

  • 协调深度神经网络：一种多功能的边缘卸载算法

    在本研究中，我们提出了一种名为 CoDE 的新算法，它能够协同处理深度神经网络模型，从而实现低延迟的边缘 AI 服务。通过利用自身和其他模型的参数，DNN 模型可以创建新的推理路径，从而降低本地计算负荷，同时只对精度产生最多 2% 的影响。在重负载条件下，CoDE 可以进一步减少推理时间 30%，而精度仅下降 4%。

    Jan, 2024