HCGN: A Hierarchical Causal-Graph Network for sustainable communication and coordination in edge–fog systems
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
In cloud computing systems, the proliferation of intelligent edge devices necessitates novel communication and coordination protocols that can operate under significant bandwidth and latency constraints. This necessity is driven not only by performance requirements but also by the growing imperative for sustainable computing, as inefficient communication is a primary driver of resources consumption in large-scale systems. This paper introduces the Hierarchical and Causal-Graph Network (HCGN), a framework designed for efficient, sustainable, and decentralized decision-making in large-scale edge computing environments. HCGN integrates a hierarchical control paradigm, mapping naturally to edge-fog architectures, with a Graph Neural Network (GNN) that learns a bandwidth-efficient communication policy between edge nodes. Furthermore, a novel Causal Credit Assignment Module (CCAM) enables intelligent and sustainable resource allocation by quantifying each node’s true causal contribution to system-wide objectives, ensuring that computational and communication resources are directed to the most effective parts of the network. We demonstrate through extensive simulations, including a novel edge-based collaborative video analytics task, that HCGN significantly outperforms traditional communication protocols in terms of task success rate, communication overhead, and robustness to network degradation. Our results validate HCGN as a scalable and resource-aware solution building the next generation of sustainable decentralized edge-fog-based systems.
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 | 0,003 | 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