.png){kind=icon}
返回
Energy-Efficient and Learning-Aware Edge Intelligence With Probabilistic Scheduling
.png){kind=icon}
OA
AI
DOI：10.1109/OJCOMS.2026.3674612.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在边缘智能网络中，存在基于不同用户和数据集的各类应用。为实現智能化，许多研究设计了多种边缘学习模型来处理这些数据。然而，不同类型的用户和模型会对学习性能产生负面影响，甚至降低学习增益。为解决这些问题，我们提出了一种具有概率调度的学习感知优化模型。首先，我们设计了用户调度以揭示资源分配与学习性能之间的关系。然后，我们还开发了一种适用于大规模通信网络的快速近端线性化算法。接下来，我们在渐近情况下推导出任务调度，以提高资源利用效率。最后，大量的实验结果证实，概率调度和多目标学习模型相比当前最先进的基准算法，能够有效提升边缘学习增益。
Keyword:
Edge intelligence
probabilistic scheduling
parallel frameworks
fast proximal linearized algorithms
期刊
I
IF:
6.1
论文数:
505
被引数:
0
机构
引用论文
Max-Min Fairness for Stacked Intelligent Metasurface-Assisted Multi-User MISO Systems堆叠智能超表面辅助的多用户MISO系统的最大最小公平性OAAI
OAAI分享收藏GS-Net: Point cloud sampling with graph neural networksGS-Net：基于图神经网络的点云采样.png)
Pattern Recognition
Pattern RecognitionIF7.6
PREAI
分享收藏Intelligent Edge: Leveraging Deep Imitation Learning for Mobile Edge Computation Offloading智能边缘: 利用深度模仿学习实现移动边缘计算卸载OAAI
OAAI分享收藏
Co-Existing/Cooperating Multicell Massive MIMO and Cell-Free Massive MIMO Deployments: Heuristic Designs and Performance Analysis共存/协作多小区大规模MIMO和无小区大规模MIMO部署: 启发式设计和性能分析OAAI
OAAI分享收藏Collaborate Edge and Cloud Computing With Distributed Deep Learning for Smart City Internet of Things通过分布式深度学习协作边缘和云计算，实现智慧城市物联网
PREAI
分享收藏
查看更多内容