BriefGPT - AI 论文速递
·
基于深度强化学习的联邦自监督学习在集成感知与通信支持下的车辆边缘计算中的任务卸载与资源分配
内容提要
本文提出了一种数字孪生辅助的任务卸载框架，旨在优化移动边缘计算策略，以平衡延迟、能耗和成本。研究结合边缘计算和联邦学习，利用深度强化学习提高车辆选择和模型聚合的准确性。通过元学习方法和图神经网络，优化车辆的边缘计算性能，解决通信质量问题，并提出新型自监督学习算法，以提升学习效率和系统性能。
关键要点
-
提出了一种数字孪生辅助的任务卸载框架，优化移动边缘计算策略，平衡延迟、能耗和成本。
-
将卸载调度过程建模为马尔可夫决策过程，以获得最优卸载策略。
-
引入边缘计算和联邦学习，采用深度强化学习提高车辆选择和模型聚合的准确性。
-
提出基于结构知识的元学习方法，使用LSTM神经网络替代手工设计的卸载算法。
-
提出适应性分割联邦学习方案，降低训练延迟，适应网络动态和车辆移动性。
-
提出车辆联邦学习算法，通过V2V通信增强训练效率，优化能量限制和移动性问题。
-
结合图神经网络和联邦多智能体强化学习，优化多智能体卸载决策。
-
引入可重构智能表面，动态调整相移以提高车辆边缘计算系统性能。
-
提出基于图像模糊程度的联邦学习算法FLSimCo，作为自监督学习的预训练阶段。
-
提出运动模糊抗性联邦自监督学习方法，结合深度强化学习优化资源分配，提升模型聚合效果。
延伸问答
数字孪生辅助的任务卸载框架有什么作用？
该框架用于优化移动边缘计算卸载策略，平衡延迟、能耗和成本。
如何通过深度强化学习提高车辆选择的准确性？
通过将卸载调度过程建模为马尔可夫决策过程，并采用深度强化学习来模拟车辆选择问题。
什么是适应性分割联邦学习方案？
这是一种结合分割学习和联邦学习的方案，通过自适应分割模型并并行化训练，降低训练延迟并适应网络动态。
车辆联邦学习算法如何优化训练效率？
通过直接车对车（V2V）通信来增强训练效率，同时考虑能量限制和车辆的移动性问题。
可重构智能表面在车辆边缘计算中有什么作用？
可重构智能表面通过动态调整相移来提高车辆边缘计算系统的性能，解决通信链路质量问题。
运动模糊抗性联邦自监督学习方法的优势是什么？
该方法结合深度强化学习，能够有效减少能耗和延迟，同时提升模型聚合效果，保护隐私。
