Online Learning Framework for Distributed Selection Problems: Modeling, Algorithms and Applications

Zixiao Dong

doi:10.1109/tnse.2026.3747772

Online Learning Framework for Distributed Selection Problems: Modeling, Algorithms and Applications

2026-10-27

0

PRE

AI

DOI：10.1109/tnse.2026.3747772

原文链接

摘要

En 中文

分布式选择问题普遍存在，可用于多路径传输协议、移动边缘计算等多种应用。本文考虑一个分布式选择问题，其中每个用户选择合适的“服务器”来处理（或执行）其“任务”。挑战在于服务器负载动态变化，用户收集服务器系统级信息的成本高昂，而获取所选服务器的bandit反馈成本较低。为应对这一挑战，我们将其建模为在线学习问题，通过bandit反馈优化选择决策。我们的在线学习框架提出了一种针对分布式选择问题的结构化上下文bandit模型，包含非线性成本反馈和部分隐含的服务器端资源。我们开发了后验采样（PS）算法并建立了子线性遗憾界。然而，针对该结构化模型的精确后验采样在计算上具有挑战性。因此，我们设计了具有马尔可夫链蒙特卡罗（MCMC）近似（PS-MA）的后验采样算法，通过生成近似样本降低计算成本。我们建立了算法保持子线性遗憾界的充分条件，并引入近似诱导的遗憾项，同时刻画了后验近似误差对遗憾界的贡献。最后，我们将该框架应用于移动边缘计算，展示了其通用性。

Keyword:

Online Learning

Distributed Selection Problem

Mobile Edge Computing

Online Learning Framework for Distributed Selection Problems: Modeling, Algorithms and Applications

摘要

期刊

机构

引用论文