論文の概要: Faster Activity and Data Detection in Massive Random Access: A
Multi-armed Bandit Approach
- arxiv url: http://arxiv.org/abs/2001.10237v1
- Date: Tue, 28 Jan 2020 10:00:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 02:14:04.192119
- Title: Faster Activity and Data Detection in Massive Random Access: A
Multi-armed Bandit Approach
- Title（参考訳）: 大量ランダムアクセスにおける高速な活動とデータ検出:マルチアームバンドアプローチ
- Authors: Jialin Dong, Jun Zhang, Yuanming Shi, Jessie Hui Wang
- Abstract要約: 本稿では,大規模なIoTデバイスによる無許可ランダムアクセスについて検討する。
データシンボルをシグネチャシーケンスに埋め込むことで、ジョイントデバイスアクティビティ検出とデータ復号を実現することができる。
- 参考スコア（独自算出の注目度）: 30.292176932361528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates the grant-free random access with massive IoT
devices. By embedding the data symbols in the signature sequences, joint device
activity detection and data decoding can be achieved, which, however,
significantly increases the computational complexity. Coordinate descent
algorithms that enjoy a low per-iteration complexity have been employed to
solve the detection problem, but previous works typically employ a random
coordinate selection policy which leads to slow convergence. In this paper, we
develop multi-armed bandit approaches for more efficient detection via
coordinate descent, which make a delicate trade-off between exploration and
exploitation in coordinate selection. Specifically, we first propose a bandit
based strategy, i.e., Bernoulli sampling, to speed up the convergence rate of
coordinate descent, by learning which coordinates will result in more
aggressive descent of the objective function. To further improve the
convergence rate, an inner multi-armed bandit problem is established to learn
the exploration policy of Bernoulli sampling. Both convergence rate analysis
and simulation results are provided to show that the proposed bandit based
algorithms enjoy faster convergence rates with a lower time complexity compared
with the state-of-the-art algorithm. Furthermore, our proposed algorithms are
applicable to different scenarios, e.g., massive random access with
low-precision analog-to-digital converters (ADCs).
- Abstract（参考訳）: 本稿では,大規模なIoTデバイスによる無許可ランダムアクセスについて検討する。
データシンボルをシグネチャシーケンスに埋め込むことで、ジョイントデバイスアクティビティ検出とデータデコードを実現することができるが、計算の複雑さは著しく増大する。
単語毎の複雑性を低くする座標降下アルゴリズムは検出問題を解決するために用いられてきたが、従来の研究ではランダムな座標選択ポリシーを採用しており、収束が遅くなっている。
本稿では,座標降下によるより効率的な検出のためのマルチアームバンディット手法を開発し,座標選択における探索と搾取の微妙なトレードオフを実現する。
具体的には,まず,目標関数のより積極的な降下をもたらす座標を知ることにより,座標降下の収束速度を高速化するためのバンディットに基づく戦略,すなわちベルヌーイサンプリングを提案する。
さらに収束率を向上させるため、ベルヌーイサンプリングの探索方針を学ぶために、内部多腕バンディット問題を確立する。
提案手法は, コンバージェンスレート解析とシミュレーションの結果から, 最先端アルゴリズムと比較して, コンバーゼンスレートが高速で, 時間的複雑性が小さいことを示す。
さらに,提案アルゴリズムは,低精度アナログ-デジタルコンバータ(ADC)を用いた大規模ランダムアクセスなど,様々なシナリオに適用可能である。
関連論文リスト
- Bagged Regularized $k$-Distances for Anomaly Detection [9.899763598214122]
BRDAD (Bagged regularized $k$-distances for Anomaly Detection) と呼ばれる距離に基づく新しいアルゴリズムを提案する。
我々のBRDADアルゴリズムは、重み付けされた密度推定のための$k$-distances(BWDDE)の実証的リスクの有限標本境界を最小化して重みを選択する。
理論的には,我々のアルゴリズムに対するAUCの高速収束率を確立し,バッグング手法が計算複雑性を著しく減少させることを示す。
論文 参考訳（メタデータ） (2023-12-02T07:00:46Z) - Nearest Neighbour with Bandit Feedback [4.9094025705644695]
我々のアルゴリズムは、データ生成プロセスに関する仮定が全くなされていない完全に逆向きな設定を処理します。
ユークリッド空間におけるバンドイト問題に適用した場合,アルゴリズムに対する一般的な後悔と解析を行う。
論文 参考訳（メタデータ） (2023-06-23T20:09:01Z) - An Optimal Algorithm for the Real-Valued Combinatorial Pure Exploration
of Multi-Armed Bandit [65.268245109828]
多武装バンディット(R-CPE-MAB)の真価純探査問題について検討する。
既存のR-CPE-MABの手法は、いわゆるトランスダクティブ線形帯域の特殊な場合と見なすことができる。
本稿では,差分探索アルゴリズム (CombGapE) を提案する。
論文 参考訳（メタデータ） (2023-06-15T15:37:31Z) - Mean-based Best Arm Identification in Stochastic Bandits under Reward
Contamination [80.53485617514707]
本稿では,ギャップベースアルゴリズムと逐次除去に基づく2つのアルゴリズムを提案する。
具体的には、ギャップベースのアルゴリズムでは、サンプルの複雑さは定数要素まで最適であり、連続的な除去では対数因子まで最適である。
論文 参考訳（メタデータ） (2021-11-14T21:49:58Z) - Improved Algorithms for Agnostic Pool-based Active Classification [20.12178157010804]
プールに依存しない環境でのバイナリ分類のためのアクティブラーニングを検討する。
我々のアルゴリズムは、画像分類データセットにおけるアートアクティブな学習アルゴリズムの状況よりも優れている。
論文 参考訳（メタデータ） (2021-05-13T18:24:30Z) - Resource Allocation in Multi-armed Bandit Exploration: Overcoming
Sublinear Scaling with Adaptive Parallelism [107.48538091418412]
腕の引っ張りに様々な量の資源を割り当てることができる分割可能な資源にアクセス可能な場合,マルチアームの帯状地における探索について検討する。
特に、分散コンピューティングリソースの割り当てに重点を置いており、プル毎により多くのリソースを割り当てることで、結果をより早く得ることができます。
論文 参考訳（メタデータ） (2020-10-31T18:19:29Z) - Fast Convergence Algorithm for Analog Federated Learning [30.399830943617772]
無線チャネル上での効率的なアナログフェデレーション学習のためのAirCompベースのFedSplitアルゴリズムを提案する。
提案アルゴリズムは, 目的関数が強く凸かつ滑らかであるという仮定の下で, 最適解に線形収束することを示す。
我々のアルゴリズムは、他のベンチマークFLアルゴリズムと比較して、より高速な収束を伴う不条件問題に対して、より堅牢であることが理論的および実験的に検証されている。
論文 参考訳（メタデータ） (2020-10-30T10:59:49Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳（メタデータ） (2020-10-02T10:41:59Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。
この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。
古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文 参考訳（メタデータ） (2020-07-01T18:43:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。