基于注意力扩散 DRL 方法的多任务生成式 AI 边缘服务
网络与互联网体系结构
2024-05-15 v1
摘要
作为内容创作的新兴范式，AI 生成内容（AIGC）已被大量边缘终端用户广泛采用。然而，AIGC 用户对生成内容的请求具有明显的多样性，目前仍显著缺乏针对 AIGC 服务中用户需求差异的研究。这一差距凸显了对合适的 AIGC 服务选择机制的迫切需求，以满足资源受限边缘环境下的各种 AIGC 用户需求。为应对这一挑战，本文提出了一种新颖的基于注意力扩散的 Soft Actor-Critic（ADSAC）算法，以响应异构 AIGC 用户请求并选择合适的 AIGC 模型。具体而言，ADSAC 算法将扩散模型作为离策略强化学习（RL）框架中的策略网络，以捕获 AIGC 任务特征与集成边缘网络状态之间的复杂关系。此外，利用注意力机制来利用状态特征向量中存在的上下文长程依赖关系，从而增强决策过程。大量实验验证了本文算法在提高整体用户效用和降低服务器崩溃率方面的有效性。与现有方法相比，所提出的 ADSAC 算法优于现有方法，将整体用户效用损失和服务器崩溃率分别降低了至少 58.3% 和 58.4%。这些结果表明，本文的 ADSAC 算法是应对基于边缘的 AIGC 应用环境中多样且动态的用户需求挑战的稳健解决方案。
引用
@article{arxiv.2405.08328,
title = {Towards Multi-Task Generative-AI Edge Services with an Attention-based Diffusion DRL Approach},
author = {Yaju Liu and Xi Lin and Siyuan Li and Gaolei Li and Qinghua Mao and Jianhua Li},
journal= {arXiv preprint arXiv:2405.08328},
year = {2024}
}