AMADRL: Privacy-Aware Attention-Based Multiagent Deep Reinforcement Learning for Optimizing Spectral Allocation in 6G Vehicular Networks
Notice bibliographique
Résumé
The emergence of 6G-enabled Vehicle-to-Everything (V2X) networks has created unprecedented demand for ultra-reliable, low-latency spectrum allocation across heterogeneous entities including vehicles, IoT devices, and industrial systems. Current spectrum allocation methods suffer from exponential computational complexity, extensive information sharing requirements, and poor scalability in dense networks. This paper proposes AMADRL (Attention-based Multi-Agent Deep Reinforcement Learning), a novel framework employing dual critic networks with multi-head self-attention mechanisms for intelligent spectrum allocation. The dual critic architecture resolves individual-collective optimization conflicts through local critics for independent entity optimization and a global critic with attention-based coordination. Our approach significantly reduces information sharing requirements while handling heterogeneous QoS demands across diverse entity types. Comprehensive experimental evaluation comparing AMADRL against state-of-the-art baselines including MADDPG, MAAC, QMIX, attention-based methods (A-DDPG, MHA-DQN), and game-theoretic approaches reveals that AMADRL achieves superior performance across multiple metrics including spectrum utilization efficiency, interference mitigation, and network scalability, while preserving user privacy and satisfying strict latency constraints required by safety-critical and industrial use cases.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 0,003 |
| 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 ».