从优化到学习：面向执行不确定性的空中边缘计算双方法资源分配
机器学习
2026-02-24 v2 机器学习
统计方法学
摘要
移动设备与数据密集型应用的指数级增长，对受资源限制的设备施加了巨大的计算负担，促使“空中计算”（AirComp）作为一种变革性的边缘智能范式出现。为提升 AirComp 系统的效率与可扩展性，本文提出一种综合性双方法框架，系统性地从传统数学优化过渡到深度强化学习（DRL）用于资源分配，该框架在执行不确定性下运行。具体而言，我们建立严格的系统模型，通过 Gamma 分布表征计算工作负载，以刻画执行不确定性， resulting in 挑战性的非线性优化问题 involving complex Gamma functions。对于单用户场景，本文设计先进的分块坐标下降（BCD）和最大化（MM）算法，给出具有可证明性能保证的半闭式解。然而，由于用户间干扰和资源争夺，传统优化方法在动态多用户环境下难以 computation。为此，我们引入基于深度Q网络（DQN）的 DRL 框架，能够通过与环境交互自适应学习最优策略。这种双方法有效地桥接了分析可 tractability 与自适应智能，利用优化提供基础洞察，利用学习实现实时适应性。大量数值实验表明，我们的方法通过增加边缘服务器密度实现性能提升，验证了优化到学习范式在下一代 AirComp 系统中的优势。
引用
@article{arxiv.2512.20007,
title = {Semiparametric KSD test: unifying score and distance-based approaches for goodness-of-fit testing},
author = {Zhihan Huang and Ziang Niu},
journal= {arXiv preprint arXiv:2512.20007},
year = {2026}
}