本論文は、フルベースの状態更新システムにおける目標指向の意味論的通信のためのクエリスケジューリング問題を扱います。複数の検知エージェント（ＳＡ）が様々な属性で特徴付けられるソースを観察し、受信した情報を使用して最終点で異種の目標を達成するために動作する複数のアクチュエーションエージェント（ＡＡ）に更新を提供するシステムを考える。ハブは仲介者として機能し、観察された属性の更新のためにSAに問い合わせ、その後AAにブロードキャストされる知識ベースを維持します。 AAは知識を活用して効果的に作業を行います。更新の意味論的価値を定量化するために効果評価（GoE）指標を導入する。さらに、システムのリスク認識と損失回避を考慮するために、累積視点理論（CPT）を長期効果分析に組み込む。このフレームワークを活用して、送信された更新によって提供されるCPTベースの合計GoEの予想割引合計を最大化しながら、特定のクエリコスト制約に準拠する効果認識スケジューリングポリシーを計算します。この目的のために、動的プログラミングベースのモデルベースのソリューションと最先端の深層強化学習（DRL）アルゴリズムを使用するモデルレスソリューションを提案します。結果は、効果認識スケジューリングが、システム性能と全体的な効果に最適なクエリスケジューリングが重要な厳格なコスト制約を持つ設定で、ベンチマークスケジューリング方法と比較して通信更新の効果を大幅に向上させることを示しています。
