AoI Minimization for WP-IoT With PDQN-Based Hybrid Offline/Online Learning: A Joint Scheduling and Transmission Design Approach
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
Age of information (AoI), quantifying the freshness of status information, is a vital performance metric for monitoring Internet of Things (IoT) applications. Transmission scheduling serves as a key technique for improving AoI performance. Meanwhile, the transmission parameter, e.g. data rate, will also influence the AoI performance. In this work, we propose a novel joint scheduling and transmission rate design approach to improve the AoI performance of wireless-powered IoT (WP-IoT) networks. Specifically, our design jointly optimizes sensor scheduling and blocklength selection decisions to minimize the expected sum AoI (ES-AoI). We formulate the joint design problem into a parameterized action Markov decision process (PAMDP). Considering the hybrid discrete-continuous action space of the resulting PAMDP, we employ parameterized deep <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Q</i>-network (PDQN) and double PDQN (DPDQN) algorithms to learn the optimal joint scheduling and blocklength selection (JSBS) policy during offline training. To mitigate model inaccuracies and environmental variations, we further develop a computationally efficient PDQN-based online tuning algorithm that fine-tunes the offline-trained JSBS policy during online operation. Simulation results demonstrate that the proposed JSBS policy significantly enhances ES-AoI performance compared to fixed-blocklength scheduling and benchmark block-length selection policies. Furthermore, the JSBS policy trained with PDQN achieves performance close to that of DPDQN while surpassing standard deep reinforcement learning (DRL) training algorithms. Notably, the PDQN-based online tuning algorithm effectively reduces the ES-AoI by up to 30% compared to the untuned policy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle