Kommunikationsnetzwerke können endogen AI-Trainingsdienste für netzwerkbeschränkte Entitäten bereitstellen, um präzise digitale Zwillinge schnell zu erstellen und ein hohes Maß an Netzwerkautonomie zu erreichen. Angesichts der Tatsache, dass Entitäten, die digitale Zwillinge benötigen, und Entitäten, die AI-Dienste bereitstellen, möglicherweise verschiedenen Betreibern angehören, kann ein Anreizmechanismus genutzt werden, um den Nutzen beider Seiten zu maximieren. Dieser Artikel stellt ein Stenberg-Spielmodell für die Modellierung der Auslagerung von KI-Trainingsaufgaben für digitale Zwillinge im internen AI-Netzwerk vor, wobei der Betreiber der Basisstation der Anführer ist und die netzwerkbeschränkten Entitäten die Anhänger sind. In diesem Artikel wird das Stenberg-Gleichgewicht zur Erlangung einer ausgewogenen Lösung analysiert, wobei die zeitliche Variabilität der drahtlosen Netzwerkumgebung berücksichtigt wird, und anschließend wird ein verstärkendes tiefes Lernalgorithmus zur Durchführung einer dynamischen Preissetzung und Aufgabenverlagerung entworfen. Schließlich wird die Effektivität der vorgeschlagenen Lösungen anhand von umfangreichen Simulationsexperimenten überprüft.

Netzwerk digitaler Zwilling; internationale KI; Stenberg-Spiel; Aufgabenverlagerung; verstärktes tiefes Lernen