XiaoMi-AI文件搜索系统
World File Search System完成时间
海报Aniti Days 2024元组.pptx
●成千上万的活动要安排和分配给资源●约束：优先，劳动力和机器可用性，技能……●目标：成本，完成时间，质量……●许多不确定性来源：延迟，设备失败…
研究论文 3D 输入卷积神经网络在患者用户脑机接口设计中的 SSVEP 分类
本研究旨在展示三维输入卷积神经网络在基于无线EEG的脑机接口系统中进行稳态视觉诱发电位分类的性能。脑机接口系统的整体性能取决于信息传输速率。信号分类准确率、信号刺激器结构和用户任务完成时间等参数都会影响信息传输速率。在本研究中，我们使用了三种信号分类方法，即一维、二维和三维输入卷积神经网络。根据使用三维输入卷积神经网络的在线实验，我们分别达到了93.75%的平均分类准确率和平均信息传输率58.35 bit/min。这两个结果都明显高于我们在实验中使用的其他方法。此外，使用三维输入卷积神经网络还可以缩短用户任务完成时间。我们提出的方法是一种新颖且最先进的稳态视觉诱发电位分类模型。
飞机装配线中的操作员分配问题
考虑资源有限、持续时间和资源利用率已知的活动，并通过优先关系进行关联。问题在于通过为每个活动分配开始时间来找到最短持续时间的时间表，以便优先关系和资源可用性得到尊重。目标是最小化项目完成时间。
在线安排异质分布式机器学习工作
分布式机器学习（ML）在当今的AI服务扩散中发挥了关键作用。分布式ML的典型模型是通过多个工人节点对训练数据集进行分区训练数据集，以并行更新模型参数，采用参数服务器档案。ML培训作业通常是资源弹性，使用具有不同资源配置的各种时间长度完成。分布式ML集群中的一个基本问题是如何探索ML作业的需求弹性并以不同的资源配置安排它们，以便最大化资源的利用并最小化了平均职位完成时间。为了解决它，我们提出了一种在线调度算法，以确定执行时间窗口，到达时的同时工人和参数服务器的数字和类型，目的是最大程度地减少加权平均完成时间。我们的在线算法由（i）在线调度框架组成，该框架将未加工的ML培训作业分组为批次迭代，以及（ii）批处理调度算法，该算法配置每个ML作业以最大程度地提高当前迭代中计划的总重量。我们的在线算法可以保证具有多项式时间复杂性的良好参数化竞争比率。使用现实世界数据进行的广泛评估表明，它在当今的AI云系统中优于最先进的调度程序。
通过深入增强学习的城市航空运输系统中的动态频谱分配
摘要 - 城市空气流动性（UAM）和先进空气流动性（AAM）的新兴概念为城市航空运输开辟了新的范式。一个巨大的挑战是，这些新的航空车将迅速饱和已经拥挤的航空频谱，这是确保可靠的安全操作通信的必不可少的资源。在本文中，我们考虑了一个航空运输系统，该系统可在该系统中运行多个航空车，以将乘客或货物从不同的来源运输到其沿其预先确定的路径的目的地。在战役期间，必须达到最低沟通质量（QoS）要求，以确保安全安全。我们的目标是通过共同优化所有航空车的速度选择和频谱分配来最大程度地减少任务完成时间。我们将优化问题提出为多阶段马尔可夫决策过程（MDP），其中优化变量耦合在一起。基于多代理的深钢筋学习（DRL）解决方案是提出了值分解网络（VDN）算法来采取离散操作的。此外，我们提出了一种启发式贪婪算法作为基线解决方案。仿真结果表明，我们基于学习的解决方案优于启发式贪婪算法和另一种正交多访问（OMA）解决方案，以最大程度地降低任务完成时间。索引术语 - 光谱分配，空中通信，增强学习，多代理
资源的数字双辅助增强学习...
摘要 - 集体式边缘计算（CEC）已成为有前途的范式，使边缘节点能够从最终设备进行协作并执行微服务。微服务卸载是一个根本重要的问题，它决定服务到达时何时何地执行微服务。然而，现实世界中CEC环境的动态性质通常会导致微服务效率低下的策略，从而导致资源不足和网络拥堵。为了应对这一挑战，我们制定了在线联合微服务折叠和带宽分配问题JMOBA，以最大程度地减少服务的平均完成时间。在本文中，我们引入了一种新颖的微服务卸载算法，DTDRLMO，该算法利用深度强化学习（DRL）和数字双技术。具体来说，我们采用数字双技术来预测和适应CEC实时的Edge节点负载和网络条件的变化。此外，此方法可以生成有效的卸载计划，为每个微服务选择最合适的边缘节点。对现实世界和合成数据集的仿真结果表明，在平均服务完成时间中，DDDRLMO在平均服务时间内优于启发式方法和基于学习的方法。索引术语 - Microservice卸载，深入强化学习，数字双胞胎，协作边缘计算
基于GNN的多代理增强学习范式
摘要 - 机器学习（ML）任务是当今边缘计算网络中的主要工作量之一。现有的Edge-云调度程序将所需资源数量分配给每个任务，而最佳利用有限的边缘资源来完成ML任务。本文提出了Tapfinger，这是一种用于边缘群集的分布式调度器，可通过协作任务放置和精细元素的多资源分配来最大程度地减少ML任务的总完成时间。要学习任务不确定的资源敏感性和启用分布式计划，我们采用了多代理增强学习（MARL），并提出了几种技术以使其有效，包括MARL Backbone作为MARL Backbone，是Actor网络中的量身定制的任务选择阶段，以及Bayes theerem'theerem'orem and Ingess-Ingem and Ingem schem schem schem schem schem。我们首先实施一个单任务调度版本，该版本每次最多都有一个任务。然后我们将其推广到多任务调度案例，其中同时安排了一系列任务。我们的设计可以减轻扩展的决策空间，并产生快速收敛到最佳的调度解决方案。使用合成和测试床的ML任务痕迹进行了广泛的实验表明，与最先进的调度程序相比，Tapfinger的平均任务完成时间最高可减少54.9％，并提高资源效率。