offloading | BriefGPT - AI 论文速递

关键词offloading

搜索结果 - 12

Endor：用于离线 LLM 推断的硬件友好的稀疏格式
利用稀疏格式来压缩大型语言模型的权重并减少权重传输延迟，从而提高性能。
PDF17 days ago
基于多智能体强化学习的可重构智能表面辅助 VEC
车辆边缘计算通过执行本地任务或将任务卸载到附近边缘设备来实现高强度任务处理，而可重构智能表面则通过灵活调整相位来提供替代通信路径。本文提出了一个新的深度强化学习框架，结合修改后的多智能体深度确定性策略梯度（MADDPG）方法和块坐标下降（B
PDF17 days ago
VeriSplit: 通过 IoT 设备安全且实用地进行机器学习推理卸载
提出了一种名为 VeriSplit 的机器学习推理离线框架，使用掩码技术保护数据隐私和模型机密性，并采用基于承诺的验证协议确保推理结果的完整性。相比于本地计算，该解决方案能够减少推理延迟 28%-83%。
PDFa month ago
MM超越边缘：移动边缘计算的强化学习高级探索及其应用与未来研究轨迹
移动边缘计算（MEC）通过将计算和存储范围扩展到靠近终端设备的边缘节点，实现了大规模 “连接的物联网” 在边缘网络中的部署。这篇论文全面调研了在 MEC 网络中应用强化学习（RL）的各种应用，包括离线、缓存和通信等方面，提出了特定的 RL
PDF2 months ago
多智能体强化学习在基于竞拍的长期网络资源分配中的应用：V2X 应用
本文旨在研究如何实现计算任务从移动代理转移，其提出了一种基于分散决策的机制来促使代理间在博弈与合作之间平衡。为此，该文设计了一个新的多代理在线学习算法，并通过 V2X 应用的模拟得出了良好的收敛性和泛化性能。
PDF2 years ago
FedAdapt: 面向物联网设备的联邦学习自适应离载
本篇文章提出了 FedAdapt，这是一种联邦学习框架，通过层次化的离线和强化学习优化，将深度神经网络中的特定层进行远程卸载，以解决物联网设备执行效率、设备计算异构性和网络带宽变化等方面的挑战，实验证明，相比传统的联邦学习，FedAdapt
PDF3 years ago
MM移动边缘计算中基于定价的服务缓存和任务卸载
本文研究了一种移动边缘计算服务定价方案，来协调服务缓存决策和控制设备的任务卸载行为。通过采用两阶段的动态不完全信息博弈模型，得到了设备的最优卸载策略，同时利用低复杂度算法优化基站的服务定价和缓存策略。
PDF4 years ago
移动区块链中基于深度强化学习的隐私保护任务卸载
本研究利用移动边缘计算构建区块链网络，使移动用户通过近距离的 MEC 服务器进行区块链的挖掘任务，通过强化学习算法实现优化解决任务离载和用户隐私保护。模拟结果表明，RL 离载方案可以显著提高用户隐私和减少能耗及计算延迟。
PDF5 years ago
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。
PDF5 years ago
DeepWear: 自适应本地卸载在可穿戴设备上的深度学习
本文提出了 DeepWear，一种基于深度学习的智能穿戴设备框架，通过本地网络将深度学习任务从穿戴设备成功地迁移到其配对的手持设备以提高效能，并能够根据不同情境进行灵活迁移，同时比云端远程迁移更能保护隐私。DeepWear 提供各种新颖的技
PDF7 years ago
利用非因果 CPU 状态信息进行高能效移动协同计算
本文提出了一种合作计算的系统，使用户将计算分配给助手，控制分配过程以最小化用户的能耗，并证明了问题的最优解结构特征，最后将其扩展到突发数据案例，并通过模拟得出了算法的实效性。
PDF7 years ago
无线电与计算资源的优化，提升延迟受限应用程序卸载的能效
本文提供了一个框架，用于联合优化在 FAP 和移动终端之间的射频和计算资源利用，以在能量和延迟之间实现权衡。最终得到了最优通信策略和计算负载分配，同时也确定了总体或无偏移的最优条件，并在无延迟约束的情况下分析了总消耗能源的最小化。
PDF10 years ago