Feb, 2023

面向下一代车联网的分布式预测服务质量

PDF
TL;DR本文研究了如何在车联网中实现预测服务质量（PQoS）的目标，通过强化学习代理设计来实现 PQoS。通过中心化，完全分布式和联邦学习等不同的学习方案，我们证明了去中心化学习和尤其是联邦学习在收敛时间和可靠性之间具有良好的权衡，这对隐私和复杂性方面具有积极的影响，并且在低延迟和可靠性的限制下确定了发送车载数据的最佳压缩级别。
predictive quality of servicereinforcement learningvehicular networkscompressionfederated learning
发现论文，激发创造
  • 远程操作驾驶场景中的 PQoS 强化学习框架

    本文提出了一个基于强化学习的 PQoS 功能设计，重点是学习代理的奖励函数设计及将 QoS 估计转换为适当的对策，实现了在受控驾驶场景下最佳 QoS 和 QoE 性能。

    Feb, 2022

  • 无线车联网环境中基于先前用户信息的服务质量预测

    通过评估 ML 树集成方法来预测无线通信质量，并利用车辆之间的相关性和无线环境特征改进预测性能，支持商业网络中的 ML 应用。

    Feb, 2024

  • DISTINQT: 质量预测未来移动和无线网络的分布式隐私感知学习框架

    DISTINQT 是一个隐私感知的分布式学习框架，用于 QoS 预测，在多个异构节点之间共享计算，并通过将原始输入数据编码为非线性潜在表示来贡献于数据隐私保护。在 Tele-Operated Driving 应用场景，我们的框架相比于集中化版本有相同的性能，并在六个最先进的集中式基准解决方案上平均性能提升了 65％。

    Jan, 2024

  • 5G 连接和自动驾驶的 QoS 预测

    本文探讨了 5G 通信系统如何生成和传递 QoS 预测给车联网应用，并以远程驾驶为例分析了 QoS 预测方案的可行性，同时提供了有用的建议和开放的研究方向。

    Jul, 2021

  • 分布式联邦学习用于超可靠低延迟车联网通信

    研究车联网中的超可靠低延迟通信的联合功率和资源分配（JPRA），提出一种基于联邦学习和 Lyapunov 优化的分布式方法来估计最大排队时间的极值事件，结果显示此方法可显著减少功耗和大队列长度的用户。

    Jul, 2018

  • 自主车辆的去中心化协作感知：学习尊重未知

    本文提出了一种去中心化的协作感知方法，基于 Deep Reinforcement Learning 算法，学习一种反向通讯策略，只请求未知信息，最终实现交通物品的最大化感知和最小化信息交流成本的平衡调整。

    Dec, 2022

  • 概率深度监督网络：一种噪声鲁棒的 QoS 预测方法

    通过使用概率深度监督网络 (PDS-Net) 的新框架，该研究解决了噪声数据对于质量服务 (QoS) 预测的负面影响，通过减少错误传播，提高准确性。

    Aug, 2023

  • 面向安全高效的车联网社交网络数据调度

    在车联网社交网络中，本文引入了一种以学习为基础的算法，用于优化数据传输的调度，同时保证效率和安全性。通过构建神经网络来增强数据处理能力，并在数据传输阶段采用 Q-learning 范式来优化信息交换，通过通信过程中的差分隐私来保护隐私。实验证明相对于现有先进的调度算法，所提出的 Q-learning 增强调度算法在车联网社交网络背景下表现出优越的性能。

    Jun, 2024

  • 基于行为分支和联邦强化学习的车联网协作感知

    本论文提出了一种基于强化学习、四叉树点云压缩机制的框架，可利用联邦强化学习方法加速车辆协同感知中的联合学习过程。进一步利用该框架优化车辆间的关联、资源分配和信息交换，从而实现车辆间可靠高效的协同感知。

    Dec, 2020

  • 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