Adaptive Layer-Wise Personalized Federated Deep Reinforcement Learning for Heterogeneous Edge Caching
Notice bibliographique
Résumé
Proactive caching is essential for minimizing latency and improving Quality of Experience (QoE) in heterogeneous edge networks. While Federated Deep Reinforcement Learning (FDRL) shows promise for developing cache policies, it faces challenges such as an expanding action space and difficulty in balancing global knowledge sharing with local environmental adaptation. In this paper, we propose a Layer-wise Relevance Propagation-aided Personalized Federated (LRP-PFed) Deep Reinforcement Learning framework for edge caching to maximize system utility while satisfying caching constraints. To handle the expanding action space, we design a Multi-Head Double Deep Q-Network (MH-DDQN) that reshapes the action output layers into a multi-head structure, where each head generates a sub-dimensional action. Furthermore, we introduce an LRP-based adaptive personalization mechanism that dynamically determines the optimal number of personalized layers for each edge server during training. This approach enables automatic adaptation to heterogeneous environments while leveraging global information to accelerate learning convergence. Extensive experiments validate the effectiveness of our approach, showing that MH-DDQN achieves superior cache hit rates and reduced computational complexity compared to traditional DRL methods, while our LRP-guided personalization strategy achieves superior performance, scalability, and adaptivity compared to existing FDRL methods.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».