With the rapid development of IoT technology, various computation-intensive and latency-sensitive tasks have emerged in large numbers, which impose higher requirements on the processing efficiency of the tasks. In this paper, by fusing mobile edge computing (MEC) and ultra-dense heterogeneous network (UD-HetNet) technologies, we design the scenario of UD-HetNet with MEC to improve the efficiency of computation and communication during task processing. However, how to design a effective task offloading and resource management strategy is still a major challenge in this scenario. Therefore, in this paper, we propose a distributed task offloading and wireless resource management framework that optimizes task offloading, local computation frequency scaling, subchannel allocation, and transmit power regulation strategies to reduce system overhead (weighted sum of delay and energy consumption of task processing) effectively. First, we design a task offloading for multi-base station (BS) collaboration base on priority algorithm and optimize the local computation frequency using convex optimization theory. Following by, we introduce a multi-agent deep deterministic policy gradient (MADDPG) technology to optimize subchannel allocation and transmit power regulation during task offloading to accommodate the dynamic and variable nature of the channel. Finally, user equipment (UE)-edge server (ES), UE-subchannel, and subchannel-power matching are achieved. Simulation results show that our algorithm has significant advantages in balancing the ES load, improving channel utilization, and reducing system overhead.

With the advancement of sequencing methodologies, the acquisition of vast amounts of multi-omics data presents a significant opportunity for comprehending the intricate biological mechanisms underlying diseases and achieving precise diagnosis and treatment for complex disorders. However, as diverse omics data are integrated, extracting sample-specific features within each omics modality and exploring potential correlations among different modalities while avoiding mutual interference becomes a critical challenge in multi-omics data integration research. In the context of this study, we proposed a framework that unites specificity-aware GATs and cross-modal attention to integrate different omics data (MOSGAT). To be specific, we devise Graph Attention Networks (GATs) tailored for each omics modality data to perform feature extraction on samples. Additionally, an adaptive confidence attention weighting technique is incorporated to enhance the confidence in the extracted features. Finally, a cross-modal attention mechanism was devised based on multi-head self-attention, thoroughly uncovering potential correlations between different omics data. Extensive experiments were conducted on four publicly available medical datasets, highlighting the superiority of the proposed framework when compared to state-of-the-art methodologies, particularly in the realm of classification tasks. The experimental results underscore MOSGAT's effectiveness in extracting features and exploring potential inter-omics associations.

With the continuous popularization and evolution of 5G and 6G, mobile edge computing has achieved rapid development. This study explores the New Generation Mobile Edge Computing (NGMEC) architecture, which leverages numerous mobile nodes to provide users with enhanced computing services. Despite its advantages, NGMEC faces challenges such as high node mobility, load balancing difficulties, and incomplete environmental perception by agents, particularly in intelligent driving task offloading scenarios. We address these challenges by introducing novel applications of NGMEC and proposing specialized algorithms for node selection and load balancing. Furthermore, to tackle the issue of environmental perception incompleteness in NGMEC task offloading, we develop the Gated Recurrent Self-Encoding Deep Reinforcement Learning (GRSE-DRL) algorithm. Our research also includes the development of two platforms: the End-Edge-Cloud Simulation Experiment Platform and the Edge Computing Offloading Algorithm Energy Efficiency Test Platform. Experimental results demonstrate that our proposed scheme effectively maintains load balance among nodes, enhances task completion and connection success rates, and optimizes the trade-off between transmission delay and intelligent driving algorithms' effectiveness, enabling more efficient decision-making.

With the evolution of 6G technology, mobile edge computing is rapidly advancing as a crucial application scenario. This research presents an innovative method for vehicle-edge task offloading decision-making, leveraging real-time data inputs such as channel conditions, image entropy, and detector confidence levels. We propose a collaborative task processing framework for vehicle-edge computing that effectively combines lightweight and heavyweight models to cater to varying demands, ensuring efficient task execution. Additionally, the study introduces a custom-designed reinforcement learning algorithm aimed explicitly at optimizing offloading scheduling. This algorithm boosts decision-making accuracy and efficiency and features a comprehensive reward system to achieve a balanced trade-off between detection performance and latency. The frameworks efficacy is thoroughly evaluated in complex driving scenarios using the SODA10M dataset. Our results indicate the frameworks capability to achieve convergence, enhance precision, ensure stability, and maintain a lightweight operation, emphasizing its suitability for real-world implementation. This work provides practical and efficient strategies for intelligent driving task scheduling to meet the requirements of contemporary dynamic environments.

Node representation learning plays a crucial role in addressing entity-related tasks in a relational network. However, current methods for node representation learning based on graph neural networks often rely on a layer-by-layer perception strategy. This approach compresses node features during propagation, hindering the direct perception of essential information and leading to over-smoothing issues. Moreover, many methods lack a comprehensive consideration of network topology and node semantics, limiting the model's performance. In this paper, we break through the traditional layer-by-layer perception strategy and propose TSCNet, a node representation learning method founded on direct perception strategy and topological and semantic collaborative mining. Initially, TSCNet establishes direct connections between the target node and sampled neighbor nodes at different orders, facilitating the target node directly perceiving neighborhood information. Subsequently, TSCNet introduces static learnable parameters to weigh different-order topologies and utilizes attention mechanisms to weigh the semantic relevance between nodes. Finally, based on the direct connections graph, TSCNet aggregates neighborhood information according to topology and semantic weights, achieving task-adaptive topology and semantic co-mining. We conduct extensive experiments on ten real-world datasets. The model achieves top-ranking results in eight datasets in which the node classification accuracy reaches 41.27% on the Actor dataset and 94.78% on the Texas dataset, significantly outperforming mainstream models. The results demonstrate the effectiveness of the proposed TSCNet.

In emerging consumer healthcare, high-performance and robust medical image segmentation methods are essential for personalized diagnosis and treatment. Thus, early screening of aneurysms reduces the risk of aneurysm rupture and provides therapeutic and preventive measures. However, uncontrollable factors such as uncertainty in the size and location shape of tumors in medical images a significant challenge to medical image segmentation. These factors make extracting high-quality features from aneurysm images difficult, resulting in poor segmentation. Then, we designed a dual encoder cross-shape transform network (DECSTNet) to capture aneurysm feature information. The dual encoder structure can extract aneurysm feature information at different scales, the adaptive dynamic feature fusion module can fuse features at different scales between the encoders, and the cross-shape window transform layer can compute the width and height of the image in parallel for local self-attention, which enhances the interactive capability of the telematic information while realizing the complementarity of the local information. Through extensive experiments, we demonstrate the excellent segmentation performance of DECSTNet on the private and three public datasets. Noteworthy3our method has significant segmentation performance and fewer parameters, making it well-suited to be deployed on IoMT diagnostic platforms for medical image segmentation to promote healthy patient consumption.