A Temporal Extension of Latent Dirichlet Allocation for Unsupervised Acoustic Unit Discovery
Stellenbosch University(斯泰伦博斯大学)
潜在狄利克雷分配(LDA)被广泛用于文档集的无监督主题建模。模型中没有使用时间信息。然而,在连续标记的对应主题之间通常存在关系。在本文中,我们提出了一个扩展LDA,使用马尔可夫链建模的时间信息。我们使用这个新的模型从语音声学单位发现。作为输入令牌,该模型从具有512个代码的矢量量化(VQ)神经网络中获取语音的离散化编码。然后,目标是将这512个VQ代码映射到50个类似于电话的单元(主题),以便更接近真实的电话。与仅考虑VQ码如何在话语(文档)内共同出现的基础LDA相比,马尔可夫链LDA另外捕获连续码如何彼此跟随。与基础LDA相比,这种扩展导致集群质量和电话分割结果的增加。与最近的矢量量化神经网络方法(也学习50个单元)相比,扩展的LDA模型在电话分割方面表现更好,但在互信息方面表现较差。
2022-06-29 cs.CL cs.LG eess.AS
BORA: Bayesian Optimization for Resource Allocation
University of Milano-Bicocca(米兰比可卡大学);OAKS s.r.l.(OAKS有限责任公司)
最优资源分配由于其作为管理云和高性能计算设施的核心问题的相关性而获得了新的兴趣。半Bandit反馈(SBF)是有效解决这一问题的参考方法。在本文中,我们提出(一)最佳资源分配的扩展到更一般的一类问题,特别是随着时间的推移,资源的可用性变化,和(ii)贝叶斯优化作为一个更有效的替代SBF。提出了三种用于资源分配的贝叶斯优化算法,即BORA算法,用于以数值向量或分布表示的分配决策。第二种选择需要考虑Wasserstein距离作为更合适的度量用于BORA算法之一。结果(i)文献中提出的原始SBF案例研究,以及(ii)实际应用(即,多渠道营销的优化)的经验证明,BORA是一个更有效的学习和优化框架比SBF。
2022-10-12 cs.AI cs.LG math.OC
Intelligent Resource Allocation Optimization for Cloud Computing via Machine Learning
Microsoft(微软公司);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出结合LSTM需求预测与DQN动态调度的智能云资源分配算法,在生产环境中显著提升资源利用率并降低响应时间与成本。
2025-03-21 cs.AI cs.DC cs.LG
Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications
University of Pennsylvania(宾夕法尼亚大学);Intel Corporation(英特尔公司)
本文研究了在自由空间光通信系统中为减轻信道衰落效应而进行的资源分配问题。资源分配问题被建模为约束随机优化框架,它涵盖了各种FSO场景,包括功率自适应,中继选择和它们的联合分配。在此框架下,我们提出了两个算法,解决FSO资源分配问题。我们首先提出了随机对偶梯度(SDG)算法,该算法通过利用强对偶性来精确地解决问题,但其实现必然需要明确和准确的系统模型。作为替代方案,我们提出了基于SDG算法的原始-对偶深度学习(PDDL)算法,该算法使用深度神经网络(DNN)参数化资源分配策略,并通过原始-对偶方法优化后者。由于DNN的强大代表性,参数化资源分配问题只会导致很小的最优性损失,而且可以在不知道系统模型的情况下实现。一组广泛的数值实验,以证实所提出的算法在FSO资源分配问题。我们证明了其优越的性能和计算效率相比,在连续功率分配和二进制中继选择设置的基线方法。
2021-04-17 cs.LG eess.SP
Modelling resource allocation in uncertain system environment through deep reinforcement learning
Pandit Deendayal Energy University(潘迪特·德恩达亚尔能源大学)
强化学习在机电一体化、机器人等资源受限的控制系统中有着广泛的应用。资源分配问题主要使用传统的预定义技术和现代深度学习方法来解决。用于资源分配的预定义和大多数深度学习方法的缺点是在不确定系统环境的情况下无法满足需求。利用深度强化学习,可以在遵循一定准则的前提下,解决不确定系统环境中的资源分配问题。此外,强化学习具有长时间适应新的不确定环境的能力。本文对各种深度强化学习方法进行了详细的比较分析,通过应用不同的组件来修改强化学习的架构,使用噪声层,优先重放,装袋,决斗网络和其他相关组合,以获得性能的改善和计算成本的降低。通过对给定的资源分配仿真环境的探索,证明了采用Noisy Bagging对偶双深Q网络可以有效解决不确定环境下的资源分配问题,通过最大化报酬,效率达到97.7%.
2021-06-17 cs.AI cs.LG cs.MA
Resource Allocation in Disaggregated Data Centre Systems with Reinforcement Learning
University College London(伦敦大学学院)
资源分解数据中心(RDDC)提出了一种以资源为中心的高利用率数据中心(DC)架构,避免了资源碎片化,并允许将任意大小的资源池分配给任务,而不是服务器大小的资源池。RDDC通常对网络提出更高的要求,需要更多的基础设施,并增加成本和功耗,因此,共同管理服务器和网络资源的新资源分配算法对于确保分配不受网络的检查,并且可以用最少的网络资源成功地服务请求至关重要。我们首次将强化学习(RL)应用于这个问题,并表明基于图神经网络的RL策略可以学习端到端的资源分配策略,其接受率、CPU和内存利用率分别比以前的手工设计的策略高出22.0%、42.6%和22.6%,当扩展到RDDC拓扑时,$10^2\times$的节点比训练期间看到的更多,并且可以在使用更少的$5.3\times$网络资源的同时实现与最佳基线相当的性能。
2021-11-11 cs.LG
Unsupervised Learning based Element Resource Allocation for Reconfigurable Intelligent Surfaces in mmWave Network
Department of Artificial Intelligence, Indian Institute of Technology Hyderabad, Telangana, India(人工智能系,印度海得拉巴印度理工学院,特伦甘纳,印度);NTT Access Network Service Systems Laboratories, Nippon Telegraph and Telephone Corporation, Yokosuka, Japan(NTT接入网络服务系统实验室,日本电信电话株式会社, Yokosuka,日本)
针对毫米波网络中RIS单元分配传统方法计算复杂度高的问题,提出结合预处理的五层FNN无监督方案,在α公平框架下联合优化相位与资源,较现有方案提升6.8%吞吐量且扩展性更强。
2025-09-03 cs.LG
Bandwidth Allocation for Multiple Federated Learning Services in Wireless Edge Networks
University of Miami(迈阿密大学)
研究了一种联邦学习(FL)系统,其中\textit{multiple} FL服务共存于无线网络中,共享公共无线资源。它填补了现有文献中多个同时FL业务的无线资源分配的空白。我们的方法设计了一个两级资源分配框架,包括\emph{intra-service}资源分配和\emph{inter-service}资源分配。服务内资源分配问题旨在通过优化每个FL服务的客户端之间的带宽分配来最小化FL轮的长度。在此基础上,进一步考虑服务间资源分配问题,其在多个同时FL服务之间分配带宽资源。我们认为合作和自私的FL服务提供商。对于合作FL服务提供商,设计了一种分布式带宽分配算法,以优化多FL服务的整体性能,同时兼顾FL服务间的公平性和客户端的隐私性。针对自私的FL服务提供商,设计了一种新的拍卖方案,FL服务所有者作为投标人,网络提供商作为拍卖人。所设计的拍卖方案在整体FL性能和公平性之间取得了平衡。我们的仿真结果表明,所提出的算法优于其他基准在各种网络条件下。
2021-01-10 cs.LG cs.NI
Deep Learning for Radio Resource Allocation in Multi-Cell Networks
University of Manitoba(曼尼托巴大学);York University(约克大学)
新兴5G和超5G(B5 G)无线网络的复杂性和异构性增加,将需要从传统的资源分配机制进行范式转变。深度学习(DL)是一种强大的工具,可以通过训练多层神经网络,使用网络数据对资源管理算法进行建模,从而无需进行密集的在线计算即可获得资源分配决策,而在线计算是解决资源分配问题所必需的。在此背景下,本文着重于应用DL来获得多小区网络中的无线电资源分配问题的解决方案。从作为DL模型的深度神经网络(DNN)、相关DNN架构和数据训练过程的简要概述开始,我们提供了在无线电资源分配的上下文中应用DL的现有技术水平的概述。在目标、投入/产出、学习和数据培训方法方面进行了定性比较。然后,我们提出了一个监督DL模型来解决多小区网络中的子带和功率分配问题。使用遗传算法产生的数据,我们首先训练模型,然后测试所提出的模型在预测资源分配解决方案的准确性。仿真结果表明,训练后的DL模型能够提供所需的最优解的时间为86.3%。
2018-08-02 cs.LG cs.NI eess.SP
Deep Reinforcement Learning for Resource Allocation in Business Processes
Warsaw University of Technology(华沙理工大学)
业务流程执行中的重复资源是一项可以有效自动化的重复性任务。然而,不同的自动化方法可能会给出不同的结果,这些结果可能不是最佳的。适当的资源分配至关重要,因为它可能导致成本大幅降低或效率提高,从而增加收入。在这项工作中,我们首先提出了一种新的表示,允许建模的多进程环境与不同的基于过程的奖励。这些进程可以共享资格不同的资源。然后,我们使用双深度强化学习来寻找最优的资源分配策略。我们将这些结果与行业中广泛使用的两种流行策略进行比较。通过强化学习学习最优策略需要与环境进行频繁的交互,因此我们还设计并开发了一个可以模拟真实世界过程的仿真引擎。所取得的结果是有希望的。与两种常用技术相比,基于深度强化学习的资源分配取得了明显更好的结果。
2021-03-29 cs.HC cs.LG
Deep Learning based Wireless Resource Allocation with Application to Vehicular Networks
Intel Labs(英特尔实验室);Georgia Institute of Technology(佐治亚理工学院);Zhejiang University(浙江大学)
长期以来一直认为,明智的资源分配对于减轻干扰、提高网络效率以及最终优化无线通信性能是至关重要的。传统的智慧是将资源分配明确地表述为优化问题,然后利用数学规划来解决问题,以达到一定的最优水平。尽管如此,随着无线网络变得越来越多样化和复杂,例如,在高移动性车载网络中,当前的设计方法面临着重大挑战,因此需要重新思考传统的设计理念。与此同时,深度学习在各个学科都有许多成功的案例,由于其利用数据解决问题的非凡能力,它代表了一种有前途的替代方案。在本文中,我们讨论了使用深度学习进行无线资源分配的关键动机和障碍,并将其应用于车辆网络。我们回顾了最近在无线资源分配中调动深度学习理念并取得令人印象深刻结果的主要研究。我们首先讨论用于资源分配的深度学习辅助优化。然后,我们强调了深度强化学习方法,以解决传统优化框架中难以处理的资源分配问题。我们还确定了一些值得进一步研究的研究方向。
2019-10-01 cs.IT cs.LG math.IT
Wireless Resource Allocation with Collaborative Distributed and Centralized DRL under Control Channel Attacks
School of Electrical and Computer Engineering, The University of Sydney(悉尼大学电气与计算机工程学院)
针对CPS控制信道DoS攻击下的无线资源分配问题,提出CDC-DRL算法,通过协同分布式与集中式决策优化资源分配策略,显著优于现有DRL基准。
2024-11-16 cs.IT cs.LG cs.SY
Resource allocation method using tug-of-war-based synchronization
SOBIN Institute LLC(SOBIN研究所有限责任公司);Keio University(庆应义塾大学);The University of Tokyo(东京大学);Tokyo University of Science(东京理科大学)
我们提出了一种简单的信道分配方法的拔河(TOW)动力学的基础上,结合基于非线性振荡器同步的时间调度,以有效地利用无线通信中的空间(信道)和时间资源。这项研究表明,同步组,其中每个节点选择一个不同的通道,是非均匀分布在相空间,使组之间的每一个距离大于影响的区域。根据信道回报,可以形成新的自组织时空模式用于资源分配。
2021-08-19 cs.DC cs.LG nlin.AO
DECAF: Learning to be Fair in Multi-agent Resource Allocation
Washington University in St Louis(圣路易斯华盛顿大学)
本文提出DECAF方法,将资源分配问题形式化为DECA问题,并基于双重深度Q学习设计三种策略,在多智能体资源分配中实现公平与效用的灵活在线权衡,优于现有公平MARL方法。
2025-02-06 cs.CY cs.LG cs.MA