用于移动边缘计算系统中定制化 VR 服务的联邦提示决策 Transformer
人工智能
2024-02-16 v1 系统与控制
系统与控制
摘要
本文研究在移动边缘计算（MEC）系统中为异构用户提供定制化虚拟现实（VR）服务的资源分配问题。我们首先引入一个体验质量（QoE）指标来衡量用户体验，该指标考虑了 MEC 系统的延迟、用户注意力水平和偏好分辨率。然后，将资源分配的 QoE 最大化问题公式化，以确保尽可能高的用户体验，该问题被转化为一个强化学习问题，旨在学习适用于所有 MEC 服务器在不同用户环境下的通用策略。为了学习该通用策略，我们提出了一个采用联邦学习（FL）和基于提示的序列建模的框架，跨 MEC 服务器预训练一个通用决策模型，命名为 FedPromptDT。使用 FL 解决了本地 MEC 数据不足的问题，同时在离线训练期间保护了用户隐私。集成用户环境线索和用户偏好分配的提示设计提高了模型在在线执行期间对各种用户环境的适应性。
关键词
引用
@article{arxiv.2402.09729,
title = {Federated Prompt-based Decision Transformer for Customized VR Services in Mobile Edge Computing System},
author = {Tailin Zhou and Jiadong Yu and Jun Zhang and Danny H. K. Tsang},
journal= {arXiv preprint arXiv:2402.09729},
year = {2024}
}