Jul, 2023

基于神经网络的边缘云计算分位数优化

PDF
TL;DR本研究提出了一种基于 Gumbel-softmax 重参数化方法的边缘 - 云计算网络最佳流量分配方案的求解方法，可通过无监督学习训练出 Gumbel-softmax 采样网络来解决离散优化问题，并且该方法适用于波动性计费且在可行性和成本函数价值方面都表现出优异的性能。
edge-cloud computingtraffic allocation schemegumbel-softmax sampling networkinteger programming problemsoptimization problems
发现论文，激发创造
  • 基于随机边图神经网络的最优无线资源分配

    本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配，通过卷积神经网络构建 REGNN，利用无监督模型进行权重训练，并测试其性能和转移能力。

    Sep, 2019

  • 使用 Gumbel Softmax 进行通道选择

    论文提出了一种端到端的神经网络优化框架，通过同时考虑分类误差和批量激活损失，使用 Gumbel 重参数化来学习网络结构，在训练和推理中均能支持网络修剪与条件计算，实验结果在 ImageNet 分类任务中获得了 45-52% 的计算量降低。

    Dec, 2018

  • 云网络融合 5G 以后的服务预测和编排的 QoS 感知

    本文通过引入基于 RNN 的 DDQL 技术和基于 water-filling 算法的服务放置方法，解决了网络云集成环境中的服务放置和资源分配问题，从而实现在 B5G 中动态用户、超低延迟服务的放置以及用户迁移时的服务连续性的优化。

    Sep, 2023

  • 一种新的平滑损失和惩罚函数，用于通过深度神经网络进行非交叉复合分位数估计

    本文提出了一种新的平滑损失及惩罚函数的神经网络方法，用于解决智能电力系统中风能等可再生能源的概率预测问题中遭遇的分位数交叉问题，实证研究结果表明该方法可以有效提高风力发电预测的准确性。

    Sep, 2019

  • 具有长期约束的随机网络资源分配的在线优化

    本文研究了一个在线资源预订问题，通过一个由两个计算节点组成的通信网络，在有限时间内最小化整体预订成本，并且保持累计违规与运输成本在一定预算限制下的在线重复博弈，提出了一个在线鞍点算法来解决该问题。

    May, 2023

  • 面向云边协同推断的神经网络自动调谐量化框架

    本论文阐述了在深度神经网络方面的云端和边缘协作推断在量化方面的优势，提出了一种基于自动调谐的神经网络量化框架，利用 ImageNet 数据集进行了混合精度合作推理的有效性研究，实验结果显示，该框架可以生成合理的网络分割，并减小移动设备上的存储消耗，同时能够保持较高的准确率。

    Dec, 2018

  • Erdos Goes Neural: 图形组合优化的无监督学习框架

    本文提出了一种基于无标签示例的图上 CO 问题的无监督学习框架，该框架可以提供具有保证质量的整数解，实现方法为使用神经网络参数化一组概率分布，并基于 Erdos 的概率方法来对其进行优化，最后将解码得到所需的解。该方法在实际数据集和复杂实例上取得了具有竞争力的结果。

    Jun, 2020

  • 移动边缘计算中基于学习的应用部署问题的解决方案

    本研究利用机器学习模型对边缘服务器中的请求分配进行优化，提供一种更高效的方法来解决移动边缘计算中的高维问题和不确定性场景，结果显示机器学习模型相对传统方法具有显著的解决时间改进。

    Mar, 2024

  • 带 QoS 保证的功率控制：一个可微投影无监督学习框架

    本文介绍了一种基于深度神经网络的无监督学习框架，以解决多用户干扰信道中的功率控制问题，该问题的目标是在用户的最低数据速率或 QoS 要求和功率预算限制下最大化网络总速率，并使用两个新的深度学习（DL）解决方案：DIPNet 和 DEPNet，这些解决方案不仅可以提高可达数据速率，而且可以实现零约束违规概率。

    May, 2023

  • 在深度神经网络中找到任务最优的低比特子分布

    通过自适应映射量化和高斯混合方法以及直接任务目标优化来对大规模的图像分类和物体检测进行高效部署，同时实现了高达 7.46 倍的移动 CPU 推理加速。

    Dec, 2021