[論文レビュー] Unified, User and Task (UUT) Centered Artificial Intelligence for Metaverse Edge Computing

Terence Jie Chua, Wenhan Yu+1 more|arXiv (Cornell University)|Dec 19, 2022

IoT and Edge/Fog Computing被引用数 4

ひとこと要約

本稿は、メタバースエッジコンピューティングにおける統合的でユーザーおよびタスク（UUT）中心の深層強化学習（DRL）フレームワークを提案する。ユーザー中心およびタスク中心のDRLエージェントを統合することでリソース割り当てを最適化する。UUT-DRLアーキテクチャは、レンダリング成功確率とオブジェクト検出精度において優れた性能を発揮し、遅延が低いという特徴を示しており、多様で動的なメタバースワークロードを効果的に処理できることを示している。

ABSTRACT

The Metaverse can be considered the extension of the present-day web, which integrates the physical and virtual worlds, delivering hyper-realistic user experiences. The inception of the Metaverse brings forth many ecosystem services such as content creation, social entertainment, in-world value transfer, intelligent traffic, healthcare. These services are compute-intensive and require computation offloading onto a Metaverse edge computing server (MECS). Existing Metaverse edge computing approaches do not efficiently and effectively handle resource allocation to ensure a fluid, seamless and hyper-realistic Metaverse experience required for Metaverse ecosystem services. Therefore, we introduce a new Metaverse-compatible, Unified, User and Task (UUT) centered artificial intelligence (AI)- based mobile edge computing (MEC) paradigm, which serves as a concept upon which future AI control algorithms could be built to develop a more user and task-focused MEC.

研究の動機と目的

• 動的で計算負荷が高く、多様なワークロードを処理する際の、従来のメタバースエッジコンピューティング手法の限界を解消すること。
• ユーザー体験とタスク固有のパフォーマンスの両方を優先する、統合的でAIベースのモバイルエッジコンピューティングパラダイムを構築すること。
• ユーザー中心およびタスク中心のDRLアーキテクチャを統合することで、メタバースアプリケーションにおけるリソース割り当ての効率を向上させること。
• 計算オフロードおよび送信のAI駆動最適化を通じて、シームレスでハイパーリアリスティックなメタバース体験を実現すること。

提案手法

• ユーザー中心およびタスク中心のDRLエージェントを統合した単一のマルチエージェントアーキテクチャとして、UUT中心のDRLフレームワークを提案する。
• 個々のユーザー状態を連結して共有のアクターネットワークに供給し、複数のヘッドを備えたクリティックを用いてユーザー・タスク構成を評価する。
• 長期的かつ時間的に敏感でないタスク（例：知識発見やクラスタリングベースのリソース再割り当て）を管理するため、集中型クラウドサーバーを活用する。
• ユーザー中心エージェントがユーザーQoEを最適化し、タスク中心エージェントが遅延を最小限に抑えつつ検出精度を最大化する二重エージェントDRL構造を設計する。
• ユーザー満足度およびmAPやレンダリング成功確率といったタスクパフォーマンス指標に特化した報酬関数を用いて、深層強化学習を適用する。
• ローカルニューラルネットワーク層と集中型ベースネットワークを分離することで、ユーザー固有のデータ漏洩を防ぐプライバシー保護設計を導入する。

Figure 1: Diagram showing the driving Metaverse user diversity, their influence on resource demands, and the MEC tasks to fulfill them.

実験結果

リサーチクエスチョン

• RQ1 AIベースのリソース割り当てを、メタバースエッジコンピューティングで統合的に実現するには、どのようにしてユーザー体験とタスクパフォーマンスの両方を同時に最適化できるか？
• RQ2 UUT中心のDRLフレームワークは、動的でマルチユーザーのメタバース環境において、従来のRLに比べてどの程度のパフォーマンス向上を達成できるか？
• RQ3 タスク中心のDRLは、スマートビークルベースのデジタルツインシナリオにおいて、送信遅延とオブジェクト検出精度をどのように最適化するか？
• RQ4 集中型クラウドサーバーは、メタバースアプリケーションにおける長期的リソース計画とワークロードクラスタリングをどのように向上させるか？
• RQ5 パーソナライズドなメタバースエッジコンピューティングに使用されるユーザー指向DRLモデルにおいて、プライバシーをどのように保護できるか？

主な発見

• ユーザー中心のDRLアルゴリズムは、全訓練プロセスにわたり、従来のRLと比較して顕著に高いVRシーンレンダリング成功確率を達成している。
• タスク中心のDRLアルゴリズムは、最小の送信遅延と最高の平均適合率（mAP）スコアを達成しており、速度と検出精度の最適なバランスを実現している。
• 統合されたUUT中心のDRLアーキテクチャは、ユーザー状態とタスク状態の共同最適化により、多様なユーザー要件と複雑なタスク要件を効果的に管理している。
• 集中型クラウドサーバーは、クラスタリングおよびデータマイニングを用いてアプリケーション、タスク、ユーザー要件のパターンを同定することで、効率的な長期的リソース計画を可能にしている。
• ローカルおよび中央のニューラルネットワークコンponentを分離する本稿のプライバシー保護設計により、パーソナライズドAIモデルにおけるユーザーデータ漏洩リスクが軽減されている。
• 実験的結果から、UUT-DRLフレームワークは、ユーザー中心およびタスク中心の両方のパフォーマンス指標において、従来の最適化手法を上回っていることが示されている。

Figure 2: Unified, User and Task (UUT)-centered MEC system model.