Jun, 2023

TSNet-SAC：利用 Transformer 实现高效任务调度

PDF
TL;DR提出了一种基于 Transformer 网络的 TSNet-SAC 方案，用于 6G 移动边缘计算机自动驾驶系统中的实时调度和多模数据处理，通过引入幻数算法来指导 TSNet 的训练，以及增强鲁棒性和解决算法缺陷的滑动增强组件（SAC），并设计了 Extender 组件来处理多尺度训练数据和提供网络可扩展性，从而在准确性和鲁棒性上优于现有网络，并实现了与启发式算法相比更优秀的调度决策延迟。
6g mobile edge computingmultimodal data processingtsnet-sactransformerreal-time scheduling
发现论文，激发创造
  • 基于时空超图的多智能体强化学习交通信号控制

    提出了一种新颖的交通信号控制系统框架，通过与多个相邻的边缘计算服务器协作收集道路网络上的交通信息，采用多智能体软 actor-critic 强化学习算法结合超图学习，以实现交通信号控制的智能化，优化交通流量，并且能够捕捉多个交叉口之间的复杂时空相关性，实现更智能、更具响应性的城市交通管理解决方案。

    Apr, 2024

  • 在低功耗 MCU 上优化微型 Transformer 的部署

    本研究提出了一种在商业微控制器上对 Transformer 模型进行端到端部署的优化框架，通过优化库和新的推理调度方案，在多个 MCU 平台上实现了更低的延迟和能量消耗。

    Apr, 2024

  • TransNAS-TSAD: 利用 Transformer 进行时间序列异常检测的多目标神经架构搜索

    TransNAS-TSAD 是一种新颖的框架，通过将 Transformer 架构与神经架构搜索（NAS）相结合，并通过 NSGA-II 算法优化，有效处理了单变量和多变量时间序列数据的复杂性，在各种数据场景中超过传统的异常检测模型，提供了一个高效的解决方案，并提出了 EACS（效率 - 准确性 - 复杂性得分）作为模型性能评估的新指标。

    Nov, 2023

  • MultiTASC：一种面向多租户的级联 DNN 推理消费边缘调度器

    本研究提出了 MultiTASC，这是一种多租户感知的调度程序，可以自适应地控制多设备中转发决策功能，以最大化系统吞吐量，同时维持高精度和低延迟。

    Jun, 2023

  • 提升变压器的效率，用于多元时间序列分类

    提出了一种基于模块裁剪和 Pareto 分析的方法，旨在研究模型效率与准确性及其复杂性之间的关系，以设计一种有效的网络架构来减少计算成本，实验结果在基准 MTS 数据集上验证了该方法的有效性。

    Mar, 2022

  • TSLANet：重新思考时间序列表示学习的 Transformer

    为了应对时间序列数据的长期和短期相关性，我们引入了一种新颖的时间序列轻量级适应网络（TSLANet），它是一种用于不同时间序列任务的通用卷积模型。我们通过引入自适应阈值、傅里叶分析和自我监督学习来增强特征表示、捕捉长期和短期交互并减少噪声。我们的实验证明，TSLANet 在分类、预测和异常检测等各种任务中表现优于现有模型，展示了其在不同噪声水平和数据规模下的稳健性和适应性。

    Apr, 2024

  • MTSA-SNN：基于脉冲神经网络的多模态时间序列分析模型

    基于脉冲神经网络的多模态时间序列分析模型（MTSA-SNN）能够有效地分析复杂时间序列数据，并在多个任务中取得卓越性能。

    Feb, 2024

  • 移动边缘计算系统的延迟最优计算任务调度

    本文研究了移动边缘计算中的任务调度问题，采用马尔科夫决策过程方法解决该问题，并且提出了一种有效的一维搜索算法来找到最优的任务调度策略。仿真结果表明，与基线策略相比，该策略可以实现更短的平均执行延迟。

    Apr, 2016

  • 基于 Transformer 的场景表示学习增强强化学习用于自动驾驶决策

    本文提出了一种名为 Scene-Rep Transformer 的决策算法，使用改进后的场景表示编码和连续预测潜在蒸馏来提高强化学习决策能力，通过在 5 种具有挑战性的模拟城市场景中验证，演示了数据效率和成功率，安全性和效率等方面的实质性改进。

    Aug, 2022

  • 使用增强记忆变换器的流播同声传译

    本文提出了一种针对实时应用场景的端到端增强记忆 Transformer 编码器，成功地应用于流式同声传译任务，可以处理大量连续输入，相较于单向掩码 Transformer 模型，具有更好的延迟和质量平衡。

    Oct, 2020