Nash-regularized heterogeneous graph transformer networks for strategic task offloading in 6G edge computing
Notice bibliographique
Résumé
The rapid urbanization and digital transformation of modern cities demand intelligent infrastructure capable of supporting massive IoT deployments and real-time decision-making across diverse smart city applications. The evolution toward sixth-generation (6G) wireless networks introduces unprecedented challenges for task offloading due to ultra-low latency, massive connectivity, and heterogeneous device requirements in urban environments. Traditional methods face limitations in scalability, adaptability, and multi-agent coordination needed for city-scale deployments. To address these gaps, we propose the Heterogeneous Graph Transformer Deep Q-Network with Nash Equilibrium Integration (HGT-DQN-NEI), a novel framework that synergistically combines graph neural networks, transformer architectures, reinforcement learning, and game-theoretic principles for intelligent multi-agent task offloading. The heterogeneous graph transformer effectively models complex 6G topologies, while the Deep Transformer Q-Network enhances decision making under partial observability. A distributed Nash equilibrium mechanism ensures stable coordination among agents with provable convergence guarantees. Extensive experiments validate the proposed approach across diverse scenarios, including urban, highway, industrial, and rural deployments. Results demonstrate a 23.4% reduction in task completion latency, 31.7% improvement in energy efficiency, and 18.9% enhancement in resource utilization compared to state-of-the-art baselines. The framework achieves stable convergence within approximately 30–50 episodes and scales efficiently to networks with over 1000 heterogeneous agents, while maintaining sub-millisecond decision times essential for smart city applications.
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 | 0,003 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| 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 ».