Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

DeAOff: Dependence-aware offloading of decoder-based generative models for edge computing

Identification

Clé publique
radar:r-5b0fff31e6077af26f4124596c7686c6
Auteurs
Ning Jiahong · Yang Tingting · Ce Zheng · Xinghan Wang · Feng Ping · Zhang Xiufeng
Année déclarée
2025
Langue déclarée
en
Type source
article
Première détection
2026-11-14T09:37:00.695180+00:00
Dernière observation des métadonnées
2026-11-14T09:37:00.695180+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

Dalian Maritime University · Peng Cheng Laboratory

Pays d’affiliation déclarés

CN

Résumé documentaire — langue originale

This paper presents an algorithm named the dependency-aware offloading framework (DeAOff), which is designed to optimize the deployment of Gen-AI decoder models in mobile edge computing (MEC) environments. These models, such as decoders, pose significant challenges due to their interlayer dependencies and high computational demands, especially under edge resource constraints. To address these challenges, we propose a two-phase optimization algorithm that first handles dependency-aware task allocation and subsequently optimizes energy consumption. By modeling the inference process using directed acyclic graphs (DAGs) and applying constraint relaxation techniques, our approach effectively reduces execution latency and energy usage. Experimental results demonstrate that our method achieves a reduction of up to 20% in task completion time and approximately 30% savings in energy consumption compared to traditional methods. These outcomes underscore our solution's robustness in managing complex sequential dependencies and dynamic MEC conditions, enhancing quality of service. Thus, our work presents a practical and efficient resource optimization strategy for deploying models in resource-constrained MEC scenarios.

Identifiants

OPENALEX
https://openalex.org/W4413017686
DOI
10.23919/jcc.fa.2024-0691.202507

Repères documentaires

Famille documentaire
article
Types déclarés par les sources
article
Éditeurs
Institute of Electrical and Electronics Engineers

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

OpenAlex · Document 1

Citer cette référence

Ning Jiahong; Yang Tingting; Ce Zheng; Xinghan Wang; Feng Ping; Zhang Xiufeng. DeAOff: Dependence-aware offloading of decoder-based generative models for edge computing. 2025. https://doi.org/10.23919/jcc.fa.2024-0691.202507

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Ning Jiahong; Yang Tingting; Ce Zheng; Xinghan Wang; Feng Ping; Zhang Xiufeng. (2025). DeAOff: Dependence-aware offloading of decoder-based generative models for edge computing. https://doi.org/10.23919/jcc.fa.2024-0691.202507
Chicago
Ning Jiahong; Yang Tingting; Ce Zheng; Xinghan Wang; Feng Ping; Zhang Xiufeng. DeAOff: Dependence-aware offloading of decoder-based generative models for edge computing. 2025. https://doi.org/10.23919/jcc.fa.2024-0691.202507
ISO 690
Ning Jiahong; Yang Tingting; Ce Zheng; Xinghan Wang; Feng Ping; Zhang Xiufeng. DeAOff: Dependence-aware offloading of decoder-based generative models for edge computing. 2025. https://doi.org/10.23919/jcc.fa.2024-0691.202507

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. DeAOff: Dependence-aware offloading of decoder-based generative models for edge computing. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-5b0fff31e6077af26f4124596c7686c6/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://doi.org/10.23919/jcc.fa.2024-0691.202507

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature