Uncertainty-Aware Multitask Allocation for Parallelized Mobile Edge Learning
Notice bibliographique
Résumé
Harvesting the profuse yet underutilized computational resources of IoT devices, also referred to as Extreme Edge Devices (EEDs), can significantly curtail the delay in parallelized Mobile Edge Learning (MEL). However, EEDs are user-owned devices, which causes them to experience a highly dynamic user access behavior. Such dynamicity can lead to uncertainty in the available computation and communication capabilities of learners. In this paper, we propose the Minimum Expected Delay (MED) scheme. MED is the first data allocation scheme in MEL that accounts for uncertainty in learners' capabilities and enables multi task allocation. Given the state probabilities of learners, MED strives to minimize the sum of the maximum expected delay of all tasks, while abiding by certain training time and budget constraints. Towards that end, MED formulates the data allocation problem as an Integer Linear Program (ILP) and makes uncertainty-aware decisions. We conduct rigorous experiments on a real testbed of Jetson Nano devices. Extensive performance evaluations show that MED outperforms a representative of state-of-the-art uncertainty-naive schemes by up to 11 %, 11 %, 42 %, and 5 % in terms of training time, satisfaction ratio, data drop rate, and occupancy time, respectively. In addition, MED approaches a baseline scheme that assumes a perfect knowledge of the learners' states, yielding a gap of up to 10%, 5%, and 14% in terms of satisfaction ratio, data drop rate, and occupancy time, respectively.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».