Jun, 2023

面向动态 MEC 的可扩展资源管理：一种无监督的链路输出图神经网络方法

PDF
TL;DR本文提出了一种基于链接输出图神经网络（LOGNN）的资源管理方法，可灵活优化任意数量的边缘节点的 MEC 资源分配，具有极低的算法推理延迟，并证明了 LOGNN 的可扩展性，通过无标签的无监督方法进行有效训练，与监督学习和强化学习相比，拥有更好的收敛性能和速度。
deep learningmobile edge computingresource allocationgraph neural networkunsupervised learning
发现论文，激发创造
  • 基于图形强化学习的动态边缘计算中 CNN 推理卸载

    本文通过使用图形强化学习的早期退出机制来解决移动边缘计算网络中的计算任务不确定性问题，提出了一个以最大化推理准确性和吞吐量为目标的计算任务卸载的优化问题，并在动态变化的场景下，通过实验结果表明了其优于 DROO 和 DROOE 的决策制定性能。

    Oct, 2022

  • 可扩展无线电资源管理的图神经网络：架构设计与理论分析

    本篇论文提出通过使用图神经网络解决大规模射频资源管理问题，通过设计有效的神经网络结构和理论分析，证明了信息传递图神经网络不仅满足置换等变性，而且能够适用于大规模问题且效率高，进一步通过分布式优化算法分析了方法的性能和泛化性，提供解释性和理论保证。

    Jul, 2020

  • 基于深度学习的混合 MEC 网络联合资源调度算法

    本文旨在提出一种基于深度学习和优化算法的混合式移动边缘计算方案，包含地面站、地面车辆和无人机，通过实时联合优化地面车辆和无人机的位置、用户关联和资源分配，以达到在线减少 UE 设备的能耗。

    Nov, 2019

  • 基于图强化学习的自编码器的多接入边缘计算中用于 CNN 推理的动态语义压缩

    本研究针对动态多接入边缘计算网络中的 CNN 推理进行计算卸载的研究，提出了一种新颖的语义压缩方法 AECNN，通过自编码器构建的 CNN 架构，在部分卸载中进行有效的语义提取和压缩，并通过图强化学习的方法 GRL-AECNN 解决卸载问题，具有优于现有方法的性能。

    Jan, 2024

  • 多头集成多任务学习方法用于动态计算卸载

    本文提出了一种多头集成多任务学习（MEMTL）方法，通过共享骨干网络和多个预测头（PHs）来解决计算卸载中的推断性能问题，从而有效解决了时变无线环境中的混合优化问题。实验证明，该方法在推断准确性和均方误差方面优于基准方法，而无需额外的训练数据。

    Sep, 2023

  • 以多接入边缘计算为基础的元宇宙人性化资源分配

    基于图卷积网络的自适应边缘资源分配方法在多用户元宇宙环境中模拟了各代理之间的相互作用，以优化资源分配并提升用户体验。

    Dec, 2023

  • 微型图神经网络用于无线资源管理

    无线资源管理的需求增加了对高效无线资源管理的精简神经网络结构的开发的需求。本文介绍了一种针对无线资源管理量身定制的图神经网络（GNN）的新方法：低秩消息传递图神经网络（LR-MPGNN）。该方法基于低秩逼近技术，将传统线性层替换为其低秩对应层，大大减小了模型尺寸和参数个数。通过多个关键指标对提出的 LR-MPGNN 模型的性能进行评估，包括模型尺寸、参数个数、通信系统的加权和速率以及权重矩阵的特征值分布。广泛的评估结果显示，LR-MPGNN 模型的模型尺寸减小了 60 倍，模型参数个数可以减少高达 98%。在性能方面，相对于原始 MPGNN 模型，LR-MPGNN 模型在最佳情况下的规范加权和速率仅降低了 2%，表现出很好的鲁棒性。此外，LR-MPGNN 模型的权重矩阵的特征值分布更加均匀，范围更广，表明了权重的战略性重新分布。

    Mar, 2024

  • 多接入边缘计算系统中基于能源感知的联邦学习资源管理

    在本文中，我们提出了一种能够减少总时间消耗和移动设备能量消耗的能量感知资源管理策略，同时考虑到移动设备的能量限制，将问题重新架构为广义 Nash 平衡问题，分析了数据集卸载和计算资源分配对模型训练损失、时间和能量消耗的影响。

    Jan, 2021

  • 移动边缘计算中基于深度强化学习的任务图离载

    通过建模任务图离线计算为马尔可夫决策过程，并设计了一种深度强化学习算法（SATA-DRL）来提供用户体验，以适应环境变化。大量模拟验证表明，SATA-DRL 在减少平均完成时间和截止时间违规方面优于现有策略。

    Sep, 2023

  • 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