Intelligence Resource Management in 5G/6G D2D-SIoET Network Through Centralized Training with Decentralized Execution Multi-Agent Reinforcement Learning
Notice bibliographique
Résumé
Wireless communication is developing rapidly towards 5 G and 6 G networks, while necessitating advanced resource management techniques to handle massive device connectivity, high data rates and low latency requirements. Existing methods faced difficulty with spectrum efficiency, latency and high energy consumption and dynamic environments particularly Device-to-Device (D2D) communication and Social Internet of Education Things (SIoET). Static resource management frameworks struggle to adapt to the non-stationary nature of user behavior and device mobility leading to degraded Quality of Service (QoS). To overcome this issue, Centralized Training Decentralized Execution for Social Internet of Education Things (CTDE-SIoET) is applied to 5 G/6 G D2D and edge resource allocation. This method integrates Multi-Agent Reinforcement Learning (MARL) framework that employs centralized critic network during training, while also allowing the agents from global system information to address non-stationary and credit assignment problems. During execution phase, centralized critic is discarded and each agents uses its own decentralized actor network based on local observation to select actions independently, thereby ensuring scalability and efficient operation, where continuous global communication is not feasible. The results demonstrate that the proposed method archives superior performance metrics compared to existing RL techniques showing lower latency (20-35%), reduced energy consumption (15-30%) and higher network throughput (1025%).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».