Core Concepts
ARプレイ・トゥ・アーンゲームの最適化と深層強化学習手法の提案
Abstract
AR技術の進歩により、ARプレイ・トゥ・アーンゲームは計算集約型になっています。この研究では、モバイルエッジコンピューティングサービスプロバイダ(MSP)が、グラフィックデータの伝送遅延やUE機器の最悪電池消費量を最小化し、UE-MBS割り当てと上り伝送電力選択を最適化する問題を考えています。複数エージェントの損失共有強化学習モデル(MALS)を提案し、他のベースラインモデルと比較してその優越性を示しています。
Stats
ダウンリンク伝送遅延率 ℓd,t
アップリンク伝送遅延率 ℓu,t
UE電池消費量 Qt
Quotes
"Play-to-earn games offer players the opportunity to turn their leisure time into a profitable endeavor."
"Our goal is to enhance player retention by improving in-game fluidity, experience, profitability, and battery life for extended play."
"We propose a novel Multi-Agent Loss-Sharing (MALS) reinforcement learning model to tackle the asynchronous and asymmetric problem."