优化生成式 AI 网络：多智能体系统与混合专家的双重视角
网络与互联网体系结构
2024-05-22 v1
摘要
在下一代网络和人工智能生成内容（AIGC）服务的持续发展中，多智能体系统（MAS）与混合专家（MoE）框架的集成正变得日益重要。受此启发，本文研究了在 AIGC 赋能的网络中 MAS 与 MoE 的差异与融合。首先，我们讨论了在生成式 AI 中使用 MAS 和 MoE 的架构设计、操作流程和固有优势，以充分探索其功能和应用。接下来，我们回顾了 MAS 和 MoE 框架在内容生成和资源分配中的应用，强调了它们对网络运行的影响。随后，我们提出了一种用于 3D 物体生成和数据传输场景的、支持多智能体的新型 MoE 近端策略优化（MoE-PPO）框架。该框架利用 MAS 进行每个网络服务提供商智能体的动态任务协调，并利用 MoE 进行各自任务的专家驱动执行，从而提高整体系统效率和适应性。仿真结果证明了我们提出的框架的有效性，并在不同网络条件下显著改善了性能指标。最后，我们概述了未来潜在的研究方向。
引用
@article{arxiv.2405.12472,
title = {Optimizing Generative AI Networking: A Dual Perspective with Multi-Agent Systems and Mixture of Experts},
author = {Ruichen Zhang and Hongyang Du and Dusit Niyato and Jiawen Kang and Zehui Xiong and Ping Zhang and Dong In Kim},
journal= {arXiv preprint arXiv:2405.12472},
year = {2024}
}
备注
9 pages, 4 figures