Adaptive RAN Slicing for Diffusion-based AIGC Services in Mobile Edge Networks
Notice bibliographique
Résumé
In this paper, we propose an adaptive radio access network (RAN) slicing scheme to support diversified artificial intelligence generated content (AIGC) services in mobile edge networks. Specifically, multiple diffusion-based AIGC models are deployed on different network slices, thereby facilitating AIGC services with varying generation qualities. The text-to-image requests from mobile users are processed using diffusion models, and then the generated images are delivered to users via wireless communication links. In addition, we formulate a joint Slice Access, Denoising step selection, and bAndwidth allocaTion (SA-DAT) optimization problem to maximize generation quality while minimizing service delay. Moreover, to solve the problem, we first decouple it into two sub-problems and then propose a two-layer algorithm to achieve the balance between generation quality and service delay. In the inner layer, the optimal bandwidth allocation is determined by a convex optimization algorithm using a Lagrange multiplier method. In the outer layer, the optimal slice access and denoising steps decisions are determined using a Gibbs sampling method. Extensive simulation results demonstrate that the proposed SADAT scheme can averagely reduce service delay by 14.84% and improve image generation quality score by 2.53, as compared with benchmark schemes in the scenarios with limited computing resources.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».