Deep Q-Learning for Low-Latency Tactile Applications: Microgrid Communications
Notice bibliographique
Résumé
Ultra low-latency is one of the key requirements of tactile internet applications such as microgrid communication, where low end-to-end delay of control messages is essential. In addition, small cell wireless networks emerge as the enabler of networked microgrids, given their coverage, capacity and flexibility. Such densification can help in addressing the stringent QoS requirements of microgrid communications. In dense networks, besides the traditional resource allocation problem, user association can help in reducing communication latency, where users can associate with the base stations that can serve best. In this paper, we jointly address resource allocation and user/device association when Critical User Devices (CUDs), i.e. microgrid controllers, and non-critical users, i.e. User Equipments (UEs), co-exist in a small cell network. We formulate our optimization problem as a resource allocation as well as user association problem. We propose a deep Q-Network based algorithm, namely Delay Minimizing Deep Q-Network (DM-DQN) to address the low-latency requirement. DM-DQN aims at reducing the delay of CUDs by balancing the trade-off between allocating more RBs and associating devices to base stations with high channel quality. We compare the performance of DM-DQN to a tabular Q-learning algorithm. Our results show that the proposed scheme achieves 41% delay reduction for CUDs and it converges faster than Q-learning based scheme algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».