| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2025-12-12 11:55 メタバースユーザーの体験品質最適化のための深層強化学習 ○王 子越・李 睿棟（金沢大）  IN2025-55 |
|
| 抄録 | （和） | エッジ環境におけるメタバースサービスは、視覚的忠実度、レイテンシ、エネルギーという基本的な三要素の制約に直面しています。既存研究では、マルチユーザーシナリオにおけるリソース競合を軽視し、利用可能な容量を誤って特徴付けています。これらの問題に対処するため、我々は送信およびエッジコンピューティングのキュー動態を明示的にモデル化した、初のキュー認識型マルチユーザーメタバースエッジコンピューティングフレームワークを提案します。これにより、QoE・レイテンシ・エネルギーのトレードオフを捉える包括的な効用モデルを定式化し、一般化プロセッサ共有規律によるGPU割り当てを実現します。さらに、これをマルチエージェント確率ゲームとして定式化し、協調学習と自律実行のための集中訓練分散実行（CTDE）を用いたMAPPOアルゴリズムを開発しました。実験により、MAPPOはベースラインと比較して2.9%、7.7%、11.9%、24.8%の効用向上を達成し、20ユーザーシナリオではベースラインアルゴリズムに対して32%のレイテンシ削減を実現しました。また、5～20ユーザーでスケーラビリティを維持する一方、集中型手法は高次元状態空間により性能が劣化することが示されました。本論文は、マルチユーザーメタバース環境に対する厳密なキュー認識モデリングとスケーラブルな最適化を提供します。 |
| （英） | Metaverse services in edge environments face the fundamental triad constraint of visual fidelity, latency, and energy. The existing research neglects resource contention in multi-user scenarios, mischaracterize available capacities. To tackle these problems, we propose the first queue-aware multi-user metaverse edge computing framework explicitly modeling transmission and edge computing queue dynamics, formulating a comprehensive utility model capturing QoE-latency-energy tradeoffs, with GPU allocation via generalized processor sharing discipline. Further, we formulate this as a multi-agent stochastic game and develop a multi-Agent proximal policy optimization (MAPPO) algorithm with centralized training with decentralized execution (CTDE) for coordinated learning and autonomous execution. Experiments show MAPPO achieves 2.9%, 7.7%, 11.9%, and 24.8% utility gains over baselines, with 32% latency reduction versus baseline algorithm in 20-user scenarios, maintaining scalability from 5-20 users while centralized methods degrade due to high-dimensional state spaces. This paper provides rigorous queue-aware modeling and scalable optimization for multi-user metaverse environments. |
|
| キーワード | （和） | メタバース / ユーザー体感品質 / マルチエージェント強化学習 / リソース配分 / タスクオフローディング / / / |
| （英） | Metaverse / Quality of Experience / Multi-agent Reinforcement Learning / Resource Allocation / Task Offloading / / / | |
| 文献情報 | 信学技報, vol. 125, no. 285, IN2025-55, pp. 104-108, 2025年12月. | |
| 資料番号 | IN2025-55 | |
| 発行日 | 2025-12-04 (IN) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | IN2025-55 |
|
| 研究会情報 | |
| 研究会 | IN IA |
| 開催期間 | 2025-12-11 - 2025-12-12 |
| 開催地（和） | 金沢商工会議所 |
| 開催地（英） | The Kanazawa Chamber of Commerce & Industry |
| テーマ（和） | 性能評価とシミュレーション、信頼性技術、スループットやトラヒックの計測、品質(QoS)制御、輻輳制御、トラヒック・フロー制御、オーバーレイネットワーク・P2P、CCN・ICN、マルチキャスト、ルーティング、セキュリティ及び一般 |
| テーマ（英） | Performance Analysis and Simulation, Robustness, Traffic and Throughput Measurement, Quality of Service (QoS) Control, Congestion Control, Overlay Network/P2P, CCN, ICN, Multicast, Routing, Security, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | IN |
| 会議コード | 2025-12-IN-IA |
| 本文の言語 | 英語（日本語タイトルあり） |
| タイトル（和） | メタバースユーザーの体験品質最適化のための深層強化学習 |
| サブタイトル（和） | |
| タイトル（英） | Deep Reinforcement Learning for Metaverse User QoE Optimization |
| サブタイトル（英） | |
| キーワード(1)（和/英） | メタバース / Metaverse |
| キーワード(2)（和/英） | ユーザー体感品質 / Quality of Experience |
| キーワード(3)（和/英） | マルチエージェント強化学習 / Multi-agent Reinforcement Learning |
| キーワード(4)（和/英） | リソース配分 / Resource Allocation |
| キーワード(5)（和/英） | タスクオフローディング / Task Offloading |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 王 子越 / Ziyue Wang / オウ シエツ |
| 第1著者 所属（和/英） | 金沢大学 (略称： 金沢大) Kanazawa University (略称： Kanazawa Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 李 睿棟 / Ruidong Li / リ エイトウ |
| 第2著者 所属（和/英） | 金沢大学 (略称： 金沢大) Kanazawa University (略称： Kanazawa Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2025-12-12 11:55:00 |
| 発表時間 | 25分 |
| 申込先研究会 | IN |
| 資料番号 | IN2025-55 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.285 |
| ページ範囲 | pp.104-108 |
| ページ数 | 5 |
| 発行日 | 2025-12-04 (IN) |
[研究会発表申込システムのトップページに戻る]