L-COIN: LLM-Assisted Counterfactual Inference for Game-Theoretic Distributed Computation Offloading in Sub-THz LEO Satellite Networks
作者: Jinhao Yi, Weijun Gao, Chong Han
分类: eess.SY
发布日期: 2026-08-17
💡 一句话要点
提出L-COIN以解决低轨卫星网络中的计算卸载问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 低轨卫星网络 计算卸载 博弈论 反事实推理 大型语言模型 时变拓扑 边缘计算 智能通信
📋 核心要点
- 现有的分布式卸载方案在应对低轨卫星网络的时变特性时，通常依赖于频繁的设备间状态交换，导致效率低下。
- 本文提出了一种去中心化的博弈论卸载框架，结合大型语言模型和反事实推理，能够在不依赖全局信息的情况下进行决策。
- 实验结果表明，L-COIN在卸载成本上相较于现有基线方案有显著降低，提升幅度在10.9%至27.7%之间。
📝 摘要（中文）
随着空间信息网络（SBINs）向高容量、智能中心化的范式演进，将亚太赫兹（sub-THz）通信集成到低地球轨道（LEO）卫星星座中已成为实现超宽带和弹性全球连接的重要推动力。通过利用sub-THz链路的超宽带宽来减少传输延迟，资源受限的地面设备可以无缝地将计算密集型任务卸载到LEO边缘服务器。然而，卫星运动、短暂的可视窗口和有限的机载资源使得卸载决策高度时变。现有的分布式卸载方案通常需要重复的设备间状态交换，且难以适应时变的LEO拓扑或流量条件。为了解决这些局限性，本文提出了一种去中心化的博弈论卸载框架，该框架由大型语言模型（LLMs）和反事实推理赋能。首先，通过整合时变的3D-Walker拓扑建立了一个现实的卸载系统。其次，引入了一种使用反事实推理的博弈论方案，以从本地历史中推导未观察到的状态，消除了对全局信息的依赖。最后，将LLM赋能的语义融合算法集成到反事实推理中，通过零样本推理和自我反思增强适应性。数值结果表明，L-COIN相较于最先进的基线方案减少了10.9%至27.7%的卸载成本。
🔬 方法详解
问题定义：本文旨在解决低轨卫星网络中计算卸载的时变决策问题。现有方法在动态环境下表现不佳，依赖全局信息的状态交换导致效率低下。
核心思路：论文提出的解决方案是一个去中心化的博弈论框架，利用反事实推理从局部历史中推导未观察到的状态，减少对全局信息的依赖。
技术框架：整体架构包括三个主要模块：时变3D-Walker拓扑的建立、基于反事实推理的博弈论决策机制，以及LLM赋能的语义融合算法。这些模块协同工作，以实现高效的卸载决策。
关键创新：最重要的技术创新在于将大型语言模型与反事实推理结合，增强了系统在动态环境下的适应能力，与传统方法相比，显著提升了决策的灵活性和准确性。
关键设计：在设计中，采用了特定的损失函数来优化反事实推理的准确性，并通过调整模型参数来提高语义融合的效果，确保系统在不同条件下的稳定性和高效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，L-COIN在卸载成本上相较于最先进的基线方案减少了10.9%至27.7%，证明了其在动态环境下的有效性和优越性，展现了良好的适应能力和性能提升。
🎯 应用场景
该研究的潜在应用领域包括低轨卫星通信、智能交通系统和边缘计算等。通过提高计算卸载的效率，L-COIN能够支持更复杂的应用场景，如实时数据处理和大规模物联网设备的管理，具有重要的实际价值和未来影响。
📄 摘要（原文）
As Space-Based Information Networks (SBINs) evolve toward high-capacity, intelligence-centric paradigms, integrating sub-Terahertz (sub-THz) communication into Low Earth Orbit (LEO) satellite constellations has emerged as a critical enabler for ultra-broadband and resilient global connectivity. By exploiting the ultra-wide bandwidth of sub-THz links to reduce transmission delays, resource-constrained ground devices can seamlessly offload compute-intensive tasks to LEO edge servers. However, satellite motion, short visibility windows, and limited onboard resources make offloading decisions highly time-varying. Existing distributed offloading schemes typically require repeated inter-device state exchange and poorly adapt to time-varying LEO topology or traffic conditions. To address these limitations, a decentralized game-theoretic offloading framework empowered by large language models (LLMs) and counterfactual inference is proposed in this paper. First, a realistic offloading system is established by integrating time-varying 3D-Walker topology. Second, a game-theoretic scheme using counterfactual inference is introduced to deduce unobserved states from local histories, eliminating global information reliance. Finally, an LLM-empowered semantic fusion algorithm is integrated into the counterfactual inference to enhance adaptability through zero-shot reasoning and self-reflection. Numerical results show that L-COIN reduces offloading cost by 10.9% to 27.7% relative to state-of-the-art baselines.