Energy-Efficient Joint Optimization of Sensing and Computation in MEC-Assisted IoT Using Mean-Field Game
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Integrating multiaccess edge computing (MEC) with the Internet of Things (IoT) is able to provide IoT sufficient computational resources in addition to its capabilities of sensing and communication. In this article, given the limited computational and energy resources, IoT devices (IDs) are allowed to offload computational tasks to MEC servers for execution. However, as the number of IDs increases dramatically, jointly optimizing the usage of sensing, communication, and computational resources becomes challenging due to the exponential growth in interactions among the IDs. In this article, we address the energy-efficient joint optimization problem for sensing and computation in the MEC-assisted IoT system, aiming to ensure the freshness of the status update and minimize the energy consumption of IDs. To reduce the computation complexity, we introduce the concept of the general mean-field N-player Markov game (GMFG), and reformulate it as a mean-field game (MFG) with teams, leveraging the network structure of states. Considering the advantages of reinforcement learning (RL) for solving dynamic problems, we propose an MFG-based actor-critic algorithm (MFGAC) to minimize the long-term average system cost. Through extensive simulations, we demonstrate that the proposed method is effective and can outperform other schemes under different scenarios.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle