Rescale-Invariant Federated Reinforcement Learning for Resource Allocation in V2X Networks

Federated Reinforcement Learning (FRL) offers a promising solution to various practical challenges in resource allocation for vehicle-to-everything (V2X) networks. However, the data discrepancy among individual agents can significantly degrade the performance of FRL-based algorithms. To address this...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE communications letters Ročník 28; číslo 12; s. 2799 - 2803
Hlavní autoři:	Xu, Kaidi, Zhou, Shenglong, Ye Li, Geoffrey
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	New York IEEE 01.12.2024 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Algorithms Distributed databases FRL Invariants Machine learning Neural networks Observability Performance evaluation policy gradient Receivers rescale-invariant operation Resource allocation Resource management Training Trajectory Transmitters V2X communications Vehicle-to-everything
ISSN:	1089-7798, 1558-2558
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!