Holistic Traffic Control Through Q-Learning and Enhanced Deep Learning for Distributed Co-Inference
Notice bibliographique
Résumé
Services for AI tasks have garnered a lot of attention as an integral aspect of intelligent services in the new era.However, implementing such a system in a stable and distributed manner, while simultaneously coordinating the use of cloud computing and remote edge devices, is challenging due to the pressing need for energy and computing resources.The primary contribution of this study lies in the development of a distributed co-inference architecture that harnesses the collective intelligence of interconnected agents to optimize traffic flow in real-time.By combining Q-learning with enhanced deep learning, our approach enables traffic signals and routing decisions to adapt dynamically to changing traffic patterns and environmental conditions.The security, responsiveness, and dependability of intelligent systems deployed close to end-users are improved by deploying deep learning systems.Another critical aspect where latency and accuracy in models are traded off is deep learning model optimization.Finding the best offloading policy and model for deep learning services requires an end-to-end decision-making solution that takes into account computation-communication problems.This study presents a holistic network optimization approach for scheduling AI services based on artificial intelligence.By adjusting for differences in computational resources and network congestion, the suggested deep Q-learning technique maximizes the throughput of AI tasks in general.This research introduces a virtual queue for analyzing the system's Lyapunov stability and employs a multi-hop Directed Acyclic Graph (DAG) to explain Q-learning of Reinforcement learning-based co-inference network topology.To optimize the total task processing rate, the study develops an Optimized self-adaptive glow worm swarm optimization method (SA-GSO) based on deep Q-learning.It then proposes a prioritybased data forwarding approach for efficiency.The study concludes by simulating the distributed co-inference system's platform.We attest to the superiority of our idea by comparing it to other standards.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».