Learning Resource Scheduling with High Priority Users using Deep Deterministic Policy Gradients

要約

タイトル：Deep Deterministic Policy Gradientsを用いた高優先度ユーザーを考慮した学習リソーススケジューリング

要約：

– モバイル通信能力の進歩により、事前医療と救急医療プロセスをより結びつけることが可能となった。
– 本論文では、Deep Deterministic Policy Gradient (\ddpg) を利用して、特定の優先度のユーザーを考慮した通信リソーススケジューリングアルゴリズムの学習を探究する。
– 一般的なDeep-Q-Network方法と異なり、\ddpgは連続値の出力を生成可能である。
– 軽微な後処理を行うだけで、柔軟な合計効用目標に対して高いパフォーマンスを発揮するスケジューラを生成できる。

要約(オリジナル)

Advances in mobile communication capabilities open the door for closer integration of pre-hospital and in-hospital care processes. For example, medical specialists can be enabled to guide on-site paramedics and can, in turn, be supplied with live vitals or visuals. Consolidating such performance-critical applications with the highly complex workings of mobile communications requires solutions both reliable and efficient, yet easy to integrate with existing systems. This paper explores the application of Deep Deterministic Policy Gradient~(\ddpg) methods for learning a communications resource scheduling algorithm with special regards to priority users. Unlike the popular Deep-Q-Network methods, the \ddpg is able to produce continuous-valued output. With light post-processing, the resulting scheduler is able to achieve high performance on a flexible sum-utility goal.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI