人工智能基础模型仿真器辅助移动边缘微调的编排：一种多智能体深度强化学习方法
人工智能
2023-10-27 v1 分布式、并行与集群计算
机器学习
网络与互联网体系结构
摘要
基础模型的高效部署与微调在当代人工智能中至关重要。在本研究中，我们提出一种将移动边缘计算（MEC）与基础模型相结合的开拓性范式，专为提升用户设备（UE）上的本地任务性能而设计。我们方法的核心是具有创新性的仿真器-适配器架构，将基础模型分割为两个内聚模块。该设计不仅节省计算资源，还确保对下游任务的适应性与微调效率。此外，我们引入一种先进的资源分配机制，针对去中心化环境下仿真器-适配器结构的需求进行精细调整。为应对该系统带来的挑战，我们采用混合多智能体深度强化学习（DRL）策略，善于处理混合离散-连续动作空间，确保动态且最优的资源分配。我们全面的仿真与验证凸显了方法的实际可行性，展示了其鲁棒性、效率与可扩展性。总体而言，本工作为部署基础模型及平衡计算效率与任务熟练度提供了新视角。
引用
@article{arxiv.2310.17492,
title = {Orchestration of Emulator Assisted Mobile Edge Tuning for AI Foundation Models: A Multi-Agent Deep Reinforcement Learning Approach},
author = {Wenhan Yu and Terence Jie Chua and Jun Zhao},
journal= {arXiv preprint arXiv:2310.17492},
year = {2023}
}