1,720,967 research outputs found
A deep reinforcement learning framework for scalable slice orchestration in beyond 5G networks
No full textThe curse of (too much) choice: Handling combinatorial action spaces in slice orchestration problems using DQN with coordinated branches
No full text
Multi-agent DQN with sample-efficient updates for large inter-slice orchestration problems
No full text
Un cadre d'apprentissage par renforcement profond pour l'orchestration de tranches évolutives dans les réseaux au-delà de la 5G
No full textThis Thesis introduces a flexible Reinforcement Learning queuing-based framework for dynamic slice orchestration in Beyond 5G networks, supporting multiple concurrent slices that span different technological domains and are governed by diverse end-to-end Service Level Agreements. Different (Deep) Reinforcement Learning methods (single or multi-agent) are investigated to address the state and action complexity hurdles arising in such combinatorial problems, which render the use of "vanilla" Reinforcement Learning algorithms impractical. The performance of the proposed schemes is validated through simulations under both synthetic Markovian traffic and real traffic scenarios.Cette thèse présente un cadre flexible basé sur l'apprentissage par renforcement des files d'attente pour l'orchestration dynamique des tranches dans les réseaux Beyond 5G, prenant en charge de multiples tranches concurrentes qui couvrent différents domaines technologiques et sont régies par divers accords de niveau de service de bout en bout. Différentes méthodes d'apprentissage par renforcement profond (mono ou multi-agents) sont étudiées pour résoudre les problèmes de complexité d'état et d'action liés à ces problèmes combinatoires, qui rendent l'utilisation d'algorithmes d'apprentissage par renforcement classique impraticable. La performance des schémas proposés est validée par des simulations dans des scénarios de trafic markovien synthétique et de trafic réel
Un cadre d'apprentissage par renforcement profond pour l'orchestration de tranches évolutives dans les réseaux au-delà de la 5G
No full textCette thèse présente un cadre flexible basé sur l'apprentissage par renforcement des files d'attente pour l'orchestration dynamique des tranches dans les réseaux Beyond 5G, prenant en charge de multiples tranches concurrentes qui couvrent différents domaines technologiques et sont régies par divers accords de niveau de service de bout en bout. Différentes méthodes d'apprentissage par renforcement profond (mono ou multi-agents) sont étudiées pour résoudre les problèmes de complexité d'état et d'action liés à ces problèmes combinatoires, qui rendent l'utilisation d'algorithmes d'apprentissage par renforcement classique impraticable. La performance des schémas proposés est validée par des simulations dans des scénarios de trafic markovien synthétique et de trafic réel.This Thesis introduces a flexible Reinforcement Learning queuing-based framework for dynamic slice orchestration in Beyond 5G networks, supporting multiple concurrent slices that span different technological domains and are governed by diverse end-to-end Service Level Agreements. Different (Deep) Reinforcement Learning methods (single or multi-agent) are investigated to address the state and action complexity hurdles arising in such combinatorial problems, which render the use of "vanilla" Reinforcement Learning algorithms impractical. The performance of the proposed schemes is validated through simulations under both synthetic Markovian traffic and real traffic scenarios
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
- …
