Digital Twin-Driven MADRL Approaches for Communication-Computing-Control Co-Optimization
Notice bibliographique
Résumé
The unpredictability of network environments, limited edge resources, and the high complexity of collaborative policies are significantly hindering the development of the Industrial Internet of Things (IIoT). These challenges are particularly pronounced in healthcare, where high-priority, delay-sensitive medical tasks and large-scale personalized services face substantial obstacles. To address these challenges, this paper proposes the Self-Attention Enhanced QMIX with Multi-Pass Multi-Task Execution (SAE-MT-QMIX) algorithm, aimed at optimizing communication and computing resource allocation as well as task offloading strategies. By leveraging Digital Twin (DT) support, the algorithm achieves collaborative optimization of communication, computing, and control within the Internet of Medical Things (IoMT), significantly enhancing the quality of service for massive personalized applications. The algorithm adopts a distributed execution and centralized training framework: the distributed execution component uses the Multi-Pass Multi-Task Deep Q-Network (MPMT-DQN) algorithm to handle the complexity of parameterized action spaces in multi-task scenarios, while the centralized training component employs the Self-Attention Enhanced QMIX (SAE-QMIX) algorithm to dynamically optimize credit assignment across multiple users. Simulation results demonstrate that SAE-MT-QMIX significantly reduces delay and energy consumption compared to baseline methods. It ensures effective optimization of communication, computing, and control in dynamic IoMT, efficiently addressing diverse demands and tasks while enhancing service quality and system adaptability.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».