Adaptive offloading in multi-access edge networks via hierarchical federated learning and real-time system adaptation
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
Achieving ultra-reliable real-time digital twin (DT) adaptation in mobile edge environments requires intelligent orchestration of computation and communication under user heterogeneity and dynamic mobility. This paper introduces GADENet, a graph attention-enhanced digital twin evolution network that fuses graph neural modelling, multi-agent actor-critic learning, and hierarchical federated personalisation to enable seamless digital representations of user equipment (UE) in distributed edge networks. At its core, GADENet employs a GAT-assisted multi-agent deep deterministic policy gradient (MADDPG) framework to jointly learn optimal DT migration and personalisation strategies across edge servers, guided by real-time traffic topologies and resource interdependencies. Each DT model is modularised into generalisable and adaptive subspaces, trained collaboratively through a three-tier edge-cloud federated loop and refined using localised attention-based updates. For efficient mobility handling, we propose a parameter-sliced DT relay protocol that selectively migrates the minimal personalisation subset across servers, leveraging learned action-value functions to minimise response latency. Extensive simulations on CIFAR-based datasets and synthetic edge workloads demonstrate that GADENet achieves up to 30% reduction in interaction latency and significantly boosts modelling fidelity versus strong federated and DRL-based baselines. This work offers a principled blueprint for intelligent DT deployment under the constraints of 6G and next-gen IoT fabrics.
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 | 0,001 | 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 découle