Dec, 2023

使用图神经网络在无线多跳网络中进行拥塞感知的分布式任务卸载

PDF
TL;DR通过在基于分布式贪婪框架上引入基于图的机器学习，我们提出了一种低开销、拥塞感知的分布式任务卸载方案，以应对无线多跳网络中来自多个移动设备的任务所造成的潜在网络拥塞问题。在仿真的无线多跳网络中，根据最短路径路由和基于争用的链路调度的资源分配方案，我们的方法在减少拥塞或不稳定队列的同时，提高了本地计算的执行延迟，相比于上下文不可知的基准方案。
computational offloadingedge intelligencemobile devicesnetwork congestiongraph-based machine learning
发现论文，激发创造
  • 面向网络优化的雾计算分布式学习

    本文提出了一种网络感知分布式学习优化方法，使设备在成本和效益之间进行数据传输和处理决策，并通过测试数据集证明算法能够显著提高网络资源利用效率，同时不损害模型学习准确性。

    Apr, 2020

  • 合作边缘网络下的联邦学习设备采样和资源优化

    通过智能设备采样和设备之间的数据卸载，优化联邦学习的训练准确性以及数据处理和设备通信资源的消耗。通过图卷积网络学习网络属性、采样节点和设备之间的数据卸载之间的关系，该方法优于现有的文献中的设备采样方法。

    Nov, 2023

  • 使用图神经网络进行分布式调度

    该论文提出了一种基于图卷积网络的分布式最大权独立集求解器，通过学习拓扑感知节点嵌入和网络权重相结合，并调用贪心算法，即使在小型至中型无线网络中，浅层的基于 GCN 的 MWIS 调度器也可以利用图的拓扑信息将分布式贪心求解器的次优误差减半，在保持图形一般性的同时，增加的计算复杂性很小。

    Nov, 2020

  • 移动边缘云计算的高效多用户计算卸载

    本文研究了移动边缘云计算中的多用户计算卸载问题，并采用博弈论方法达到有效的分布式计算卸载，进一步扩展研究到多通道无线争用环境中的多用户计算卸载，提出了一种算法并通过实验验证其性能和可扩展性。

    Oct, 2015

  • 异构联邦学习中的设备采样：理论、算法和实现

    本文提出了一种基于设备采样和设备到设备卸载组合优化的联邦学习优化算法，通过优化采样节点和数据卸载配置来最大化 FedL 训练的准确性，有效提高了训练模型的准确性和资源利用率。

    Jan, 2021

  • 无线供能移动边缘计算网络中的在线计算卸载深度强化学习

    本文提出了一种基于深度强化学习的在线边缘计算离线策略，在自适应调整参数的基础上有效减少了计算时间，提高了计算性能。

    Aug, 2018

  • 云机器人网络卸载策略：基于学习的方法

    本研究提出了一种针对资源受限型机器人的重要问题：如何在提高精度和减少云端通信成本之间进行权衡，在机器人不确定时何时和如何卸载任务，使用深度强化学习的解决方案可以显著改善任务性能和减少通信成本。

    Feb, 2019

  • 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

  • 使用图神经网络进行链路调度

    本文提出了一种基于图卷积网络（GCN）的快速启发式调度策略，该策略可在集中式和分布式环境下实现。采用树搜索和 GCN 指导的一步展开的中心式启发式策略能快速的达到接近最优的解，基于浅层 GCN 的分布式启发式策略能减少近 50％的子最优解差距，且策略具有较好的推广性能。

    Sep, 2021

  • 面向任务的边缘网络：无线前传的分散学习

    这篇论文研究了任务导向的边缘网络，其中多个边缘物联网节点通过网络云中的强大深度神经网络（DNNs）执行机器学习任务。

    Dec, 2023