Waterfilling at The Edge: Optimal Percentile Resource Allocation Via Risk-Averse Reduction
Notice bibliographique
Résumé
We address deterministic resource allocation in point-to-point multiterminal AWGN channels without inter-terminal interference, with particular focus on optimizing quantile transmission rates for celledge terminal service. Classical utility-based approaches -such as minimum rate, sumrate, and proportional fairness- are either overconservative, or inappropriate, or do not provide a rigorous and/or interpretable foundation for fair rate optimization at the edge. To overcome these challenges, we employ Conditional Value-at-Risk (CVaR), a popular coherent risk measure, and establish its equivalence with the sum-least- $\alpha$ th-quantile (SL $\alpha \mathrm{Q}$) utility. This connection enables an exact convex reformulation of the SL $\alpha \mathrm{Q}$ maximization problem, facilitating analytical tractability and precise and interpretable control over cell-edge terminal performance. Utilizing Lagrangian duality, we provide (for the first time) parameterized closed-form solutions for the optimal resource policy -which is of waterfilling-type-, as well as the associated (auxiliary) Value-atRisk variable. We further develop a novel inexact dual subgradient descent algorithm of minimal complexity to determine globally optimal resource policies, and we rigorously establish its convergence. The resulting edge waterfilling algorithm iteratively and efficiently allocates resources while explicitly ensuring transmission rate fairness across (cell-edge) terminals. Several (even large-scale) numerical experiments validate the effectiveness of the proposed method for enabling robust quantile rate optimization at the edge.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».