Adaptive offloading in multi-access edge networks via hierarchical federated learning and real-time system adaptation
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».