theerem

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。