边缘智能网络中基于多任务域适应的计算卸载
机器学习
2025-01-15 v1 人工智能
摘要
在多接入边缘计算（MEC）领域，高效的计算卸载对于改善资源利用率和减少动态变化环境中的延迟至关重要。本文引入了一种新方法，称为多任务域适应（MTDA），旨在增强计算卸载模型在域迁移存在下的泛化能力，即当目标环境中的新数据与源域中的数据显著不同时。所提出的 MTDA 模型包含一个教师-学生架构，允许在推理期间持续适应，而无需访问源域数据，从而保持隐私并降低计算开销。利用多任务学习框架同时管理卸载决策和资源分配，所提出的 MTDA 方法在均方误差和准确率方面均优于基准方法，尤其是在用户数量增加的环境中表现更佳。通过计算机仿真观察到，所提出的 MTDA 模型在各种场景下均保持高性能，展示了其在新兴 MEC 应用中实现实际部署的潜力。
引用
@article{arxiv.2501.07585,
title = {Multi-task Domain Adaptation for Computation Offloading in Edge-intelligence Networks},
author = {Runxin Han and Bo Yang and Zhiwen Yu and Xuelin Cao and George C. Alexandropoulos and Chau Yuen},
journal= {arXiv preprint arXiv:2501.07585},
year = {2025}
}