无线分布式计算的在线学习
机器学习
2016-11-10 v1
摘要
无线分布式计算（WDC）利用多个无线设备上的协作计算，日益受到关注。WDC支持单个设备无法独立支持的复杂应用。然而，由于在真实场景中资源可用性与信道条件会因移动性等因素以不可预测的方式随时间变化，在多设备间分配任务的问题在动态环境中变得极具挑战性。本文将任务分配问题表述为使用对抗多臂老虎机框架的在线学习问题。我们提出MABSTA，一种新颖的在线学习算法，它通过探索性探测持续学习未知设备与信道质量的性能，并利用所获知识做出任务分配决策。为最大化适应性，MABSTA被设计为不对环境做任何随机假设。我们对其进行了数学分析，并为任意动态环境提供了最坏情况性能保证。我们还通过在无线IoT测试床上获取的轨迹数据上的仿真，将其与最优离线策略及其他基线进行比较，表明其在所有情况下均提供具有竞争力且鲁棒的性能。据我们所知，MABSTA是该任务分配问题领域中首个在线算法，并提供可证明的性能保证。
引用
@article{arxiv.1611.02830,
title = {Online Learning for Wireless Distributed Computing},
author = {Yi-Hsuan Kao and Kwame Wright and Bhaskar Krishnamachari and Fan Bai},
journal= {arXiv preprint arXiv:1611.02830},
year = {2016}
}
备注
10 pages, 8 figures, conference