DTA-RL: Dynamic Topology Adaptive Reinforcement Learning Approach for Task Offloading in Mobile Edge Computing
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
Mobile edge computing (MEC) enhances data processing by enabling users to offload tasks to edge servers with enough computation resource. In multi-user and multi-server scenario, the offloading scheduling is overwhelming complex and significantly influences the processing delay, which makes deep learning (DL) become an appealing approach. Yet, prior DL-based methods often overlook dynamic topology challenges due to the inflexibility of fixed neural network structures, leading to constrained performance. To tackle this challenge, a novel reinforcement learning framework named dynamic topology adaptive reinforcement learning (DTA-RL) is proposed in this paper. The MEC network is modeled as a graph based on the communication relationships between users and servers, and the offloading process is formulated as a Markov decision process (MDP). Building on the graph model and MDP, DTA-RL leverages graph attention networks to handle dynamic observation spaces and incorporates an attention mechanism for decision-making in environments with evolving action spaces. Simulation results illustrate that DTA-RL effectively reduces task processing delays and offloading failure rates within the MEC system. Furthermore, the pre-trained model can be seamlessly implemented in networks with new topology without experiencing significant performance degradation. The code is available at https://github.com/UNIC-Lab/DTA-RL.
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 | 0,001 |
| 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