Sep, 2022

合作通信的语义时代：通过离线强化学习加速模拟以接近真实

PDF
TL;DR提出一种称为 AoS 的信令更新语义新鲜度的度量方式，针对节点更新源和目的地之间的状态更新的最优控制策略进行研究，提出了在线和离线的深度演员 - 评论家算法，离线算法在数据集质量方面表现出强大的鲁棒性。
发现论文，激发创造
  • 基于年龄的移动边缘计算调度：一种深度强化学习方法

    移动边缘计算在实时应用中对信息时效性的重要性提出了新的理解与优化方法，基于马尔可夫决策过程和深度强化学习，将偏知识利用与系统动态建模相结合的算法应用于此问题研究，结果表明算法在多种场景下优于其他基准算法。

    Dec, 2023

  • 部分可观测状况下的信息时代协同优化

    该研究探讨了一种去中心化的传输策略，通过利用传感器传输过程和网络拥塞对信息年龄（AoI）的影响，结合基于粒子滤波和强化学习的方法，实现了多代理间的协同最小化预期的 AoI。

    Dec, 2023

  • 车联网中的非正交年龄最优信息传播：一个基于元多目标强化学习的方法

    本文研究了在车辆网络中如何通过最小化信息时代和发送功率消耗来提供及时更新，采用非正交多模式信息传播方法，利用混合深度 Q 网络和深度确定性策略梯度模型解决多目标优化问题，并提出了一个两阶段元多目标强化学习解决方案来估计 Pareto 前沿。

    Feb, 2024

  • 基于语义感知的多个马尔可夫源在约束下的远程估计

    该研究利用平均成本约束马尔可夫决策过程理论和 Lagrangian 动态规划，探索了在有损且受速率限制的通道上进行多个马尔可夫源的远程估计的语义感知通信；通过使用结构优化结果和开发新的策略搜索算法，可以最小化长期状态依赖成本和估计误差；为了避免马尔可夫决策过程的维度问题，提出了基于 Lyapunov 优化定理的在线低复杂度 Drift-plus-Penalty 调度算法。

    Mar, 2024

  • 智能汽车网络中基于信息时代的无线资源管理：一种主动的深度强化学习视角

    本文研究了在曼哈顿网格车辆间通信网络中，基于信息年龄感知的无线电资源管理问题，通过马尔可夫决策过程的方法，使用长短时记忆模型和深度强化学习技术提出了一种去中心化的策略，实现每个车辆用户设备 - 对之间的最优消耗和信息更新。实证分析表明，所提出的算法能够显著地提高性能。

    Aug, 2019

  • 语义感知传输调度：基于单调性的深度强化学习方法

    本文研究了语义感知下的调度问题，利用深度强化学习算法解决大规模系统中的最优策略问题，并通过实验表明，相较于现有算法，所提出的算法能够显著减少训练时间并提高训练性能。

    May, 2023

  • 基于深度强化学习的无人机辅助网络中最小化信息时延的方法

    研究了一种 UAV 辅助的无线网络，通过 Markov 决策过程和深度强化学习算法优化飞行轨迹和任务调度来最小化信息年龄值的加权和，取得了显著的研究成果。

    May, 2019

  • 深度学习驱动任务导向通信中的信息时代

    研究了任务导向通信中年龄的概念，使用编码器 - 解码器对进行数据传输和任务执行，在不同深度神经网络上测试，提出了任务信息的峰值年龄概念，并通过调整通道使用数量来降低这一因素。

    Jan, 2023

  • 远程推理的及时通信

    分析数据新鲜度对远程推理系统的影响，提出了一种新的选择 - 缓冲区模型和调度策略来降低推理误差并优化信息时效性。

    Apr, 2024

  • 学习增强的在线时间信息和传输成本最小化

    考虑到离散时间系统中的资源受限源，通过时变无线信道将其时间敏感的数据传输到目的地。我们开发了一种鲁棒的在线算法，以最小化传输和信息老化成本之和，确保最坏情况下的性能保证。

    Mar, 2024