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

Jan, 2024

Dynamic Semantic Compression for CNN Inference in Multi-access Edge Computing: A Graph Reinforcement Learning-based Autoencoder

Nan Li, Alexandros Iosifidis, Qi Zhang

TL;DR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。

Abstract

This paper studies the computational offloading of cnn inference in dynamic multi-access edge computing (MEC) networks. To address the unc

发现论文，激发创造

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

本文介绍了一种基于图神经网络和强化学习的自动压缩深度神经网络的方法，与手工规则的方法相比较具有更好的性能和更高的压缩比，通过多组实验验证了本方法的有效性。

Nov, 2020

本文讨论了在移动网络中为实现计算任务的优化，如何通过最优计算分配策略，结合移动设备与 MEC 服务器的计算能力以及移动设备与基站之间的不同状态，达到最大化长期效益性能的效果，并利用 Q 函数分解技术与双深度 Q 网络相结合，实现了随机计算分配的学习算法。

May, 2018

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

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

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

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。

Jun, 2023

本文提出一种基于人工智能的协同计算方法，通过将任务分配和调度算法与决策流程相结合，实现车辆网络中任务的外包与协同计算，进而减少计算服务延迟，提高服务可靠性，并实现服务成本最小化。在复杂的城市交通网络中，基于提出的协同计算方法，仿真结果表明该方法适应高度动态环境且性能表现优异。

Oct, 2020

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

利用卷积神经网络的视觉跟踪能力配合移动边缘计算，提出了一种新的层次分布式计算框架，将有限的计算资源和能量预算分配到无人机和移动边缘服务器上，以达到更高的推断精度和更低的计算成本。

Aug, 2020