Graph-Based Federated Multiagent DRL for Semantic and Intent-Aware V2X Communication
Notice bibliographique
Résumé
The coexistence of vehicle-to-vehicle (V2V) and vehicle-to-infrastructure (V2I) communication in 6G-enabled vehicular networks introduces complex challenges in spectrum sharing, semantic prioritization, and real-time coordination. To address these issues, we propose G-FEDMAP, a graph-based federated multi-agent deep reinforcement learning framework that supports semantic- and intent-aware resource allocation in distributed vehicle-to-everything (V2X) environments. G-FEDMAP integrates GraphSAGE-based spatiotemporal embeddings, shared actor–centralized critic multi-agent proximal policy optimization (MAPPO) training under a centralized training and decentralized execution (CTDE) paradigm, and event-adaptive reward shaping guided by user intent profiles. To preserve data locality and promote scalable collaboration, federated policy coordination is introduced across geographically partitioned vehicular domains. The system dynamically rebalances semantic priorities using intent reprioritization weights, enabling responsiveness to mission-critical context. We evaluate G-FEDMAP in a federated urban vehicular network comprising multiple regions with high agent density, dynamic event intents, and shared spectrum constraints. The proposed framework is tested under diverse communication and traffic conditions, and compared against MAPPO, graph neural network-MAPPO (GNN-MAPPO), and federated PPO variants. G-FEDMAP demonstrates improved V2V delivery success, higher semantic retention, greater intent satisfaction, and better coexistence of V2V and V2I links through graph-based scheduling and federated policy adaptation. These results position G-FEDMAP as a reliable and trustworthy AI-driven solution for future 6G-internet of things (6G-IoT) vehicular networks.
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 | 0,000 | 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 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 ».