训练还是不训练：在移动边缘计算中平衡深度强化学习的效率与训练代价
人工智能
2024-11-12 v1 机器学习
系统与控制
系统与控制
摘要
人工智能（AI）是 6G 网络的关键组成部分，因为它使通信和计算服务能够适应终端用户的需求和需求模式。移动边缘计算（MEC）的管理是 AI 应用的一个有意义的例子：网络边缘可用的计算资源需要谨慎地分配给用户，其任务可能具有不同的优先级和延迟要求。研究社区已开发了多种 AI 算法来执行此资源分配，但忽略了一个关键方面：学习本身就是一个计算密集型任务，而假设免费训练会导致理想化的条件和仿真性能。在本工作中，我们考虑了一个更现实的案例，其中专门考虑了学习代价，提出了一种新算法来动态选择何时训练一个用于资源分配的深度强化学习（DRL）智能体。我们的方法具有高度通用性，因为它可以直接应用于任何涉及训练开销的场景，并且即使在现实训练条件下也能接近理想学习智能体的性能。
引用
@article{arxiv.2411.07086,
title = {To Train or Not to Train: Balancing Efficiency and Training Cost in Deep Reinforcement Learning for Mobile Edge Computing},
author = {Maddalena Boscaro and Federico Mason and Federico Chiariotti and Andrea Zanella},
journal= {arXiv preprint arXiv:2411.07086},
year = {2024}
}