論文の概要: Multiple Access in Dynamic Cell-Free Networks: Outage Performance and Deep Reinforcement Learning-Based Design

• arxiv url: http://arxiv.org/abs/2002.02801v2
• Date: Mon, 24 Feb 2020 04:49:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 21:13:34.839206
• Title: Multiple Access in Dynamic Cell-Free Networks: Outage Performance and Deep Reinforcement Learning-Based Design
• Title（参考訳）: 動的セルフリーネットワークにおける多重アクセス:停止性能と深層強化学習に基づく設計
• Authors: Yasser Al-Eryani, Mohamed Akrout, and Ekram Hossain
• Abstract要約: 将来のセルフリー(またはセルレス)無線ネットワークでは、地理的領域の多数のデバイスが同時に多数の分散アクセスポイント(AP)によって提供される。 我々は,多数のデバイスやAPが存在する場合に,ユーザの信号の共同処理の複雑さを低減するために,新しい動的セルフリーネットワークアーキテクチャを提案する。 システム設定では, DDPG-DDQN方式は, 網羅的な検索ベース設計により, 達成可能なレートの約78%を達成できることがわかった。
• 参考スコア（独自算出の注目度）: 24.632250413917816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In future cell-free (or cell-less) wireless networks, a large number of devices in a geographical area will be served simultaneously in non-orthogonal multiple access scenarios by a large number of distributed access points (APs), which coordinate with a centralized processing pool. For such a centralized cell-free network with static predefined beamforming design, we first derive a closed-form expression of the uplink per-user probability of outage. To significantly reduce the complexity of joint processing of users' signals in presence of a large number of devices and APs, we propose a novel dynamic cell-free network architecture. In this architecture, the distributed APs are partitioned (i.e. clustered) among a set of subgroups with each subgroup acting as a virtual AP equipped with a distributed antenna system (DAS). The conventional static cell-free network is a special case of this dynamic cell-free network when the cluster size is one. For this dynamic cell-free network, we propose a successive interference cancellation (SIC)-enabled signal detection method and an inter-user-interference (IUI)-aware DAS's receive diversity combining scheme. We then formulate the general problem of clustering APs and designing the beamforming vectors with an objective to maximizing the sum rate or maximizing the minimum rate. To this end, we propose a hybrid deep reinforcement learning (DRL) model, namely, a deep deterministic policy gradient (DDPG)-deep double Q-network (DDQN) model, to solve the optimization problem for online implementation with low complexity. The DRL model for sum-rate optimization significantly outperforms that for maximizing the minimum rate in terms of average per-user rate performance. Also, in our system setting, the proposed DDPG-DDQN scheme is found to achieve around $78\%$ of the rate achievable through an exhaustive search-based design.
• Abstract（参考訳）: 将来のセルフリー(またはセルレス)無線ネットワークでは、地理的領域の多数のデバイスが、集中処理プールと協調する多数の分散アクセスポイント(AP)によって、直交しない多重アクセスシナリオで同時に提供される。 静的に事前定義されたビームフォーミング設計のセルフリーネットワークでは,まず,アップリンク毎の停止確率のクローズドフォーム表現を導出する。 多数のデバイスやAPが存在する場合のユーザ信号の共同処理の複雑さを大幅に軽減するため,我々は新しい動的セルフリーネットワークアーキテクチャを提案する。 このアーキテクチャでは、分散アンテナシステム(das)を備えた仮想apとして、各サブグループを機能する一連のサブグループに分散apを分割(すなわちクラスタ化)する。 従来の静的セルフリーネットワークは、クラスタサイズが1であるこの動的セルフリーネットワークの特別なケースである。 この動的セルフリーネットワークでは,逐次干渉キャンセル(sic)可能な信号検出手法と,ユーザ間干渉(iui)対応dasの受信ダイバーシティ結合方式を提案する。 次に、APをクラスタリングし、ビームフォーミングベクトルを最大化または最小化するために設計する一般的な問題を定式化する。 そこで本研究では,複雑なオンライン実装の最適化問題を解決するために,DDPG(Deep Deterministic Policy gradient)-deep double Q-network(DDQN)モデルというハイブリッド型深層強化学習(DRL)モデルを提案する。 総和レート最適化のためのDRLモデルは、ユーザ毎の平均レート性能で最小レートを最大化するために著しく優れる。 また, システム設定において, DDPG-DDQN方式は, 網羅的な検索ベース設計により, 達成可能なレートの約78 %を達成できることがわかった。

関連論文リスト

• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
  本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。 コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。 また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
  論文  参考訳（メタデータ） (2024-02-20T23:59:45Z)
• Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
  マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。 マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。 提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-10-06T02:35:35Z)
• Adaptive Target-Condition Neural Network: DNN-Aided Load Balancing for Hybrid LiFi and WiFi Networks [19.483289519348315]
  機械学習は、複雑性に優しいロードバランシングソリューションを提供する可能性がある。 学習支援のSOTA(State-of-the-art)は,ネットワーク環境が変化すると再学習を必要とする。 適応目標条件ニューラルネットワーク(A-TCNN)と呼ばれる新しいディープニューラルネットワーク(DNN)構造を提案する。
  論文  参考訳（メタデータ） (2022-08-09T20:46:13Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Multi-Agent Collaborative Inference via DNN Decoupling: Intermediate Feature Compression and Edge Learning [31.291738577705257]
  単一エッジサーバが複数のUEの推論を調整するマルチエージェント協調推論シナリオについて検討する。 この目的を達成するために、我々はまず、大きな中間特徴を圧縮する軽量オートエンコーダベースの手法を設計する。 次に、DNNの推測オーバーヘッドに応じてタスクを定義し、マルコフ決定プロセスとして問題を定式化する。
  論文  参考訳（メタデータ） (2022-05-24T07:29:33Z)
• Limited-Fronthaul Cell-Free Hybrid Beamforming with Distributed Deep Neural Network [0.0]
  近接最適解は、アクセスポイント(AP)とネットワークコントローラ(NC)の間で大量の信号交換を必要とする。 本稿では,AP と NC 間の通信オーバーヘッドをゼロあるいは限定して協調ハイブリッドビームフォーミングを行うことができる2つの非教師なしディープニューラルネットワーク(DNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-06-30T16:42:32Z)
• Self-Organizing mmWave MIMO Cell-Free Networks With Hybrid Beamforming: A Hierarchical DRL-Based Design [30.70798412145064]
  セルフリー無線ネットワークにおいて、分散アクセスポイント(AP)は、同じ時間/周波数リソースを用いて、カバーエリア内のすべてのユーザ機器(UE)を共同で提供する。 深層学習(DRL)に基づく複数のネットワーク分割を提案する。 異なるセルフリーワーク間の干渉を設計するために,新しいハイブリッドビームストデジタルビームモデルを開発した。
  論文  参考訳（メタデータ） (2021-03-17T03:31:52Z)
• Multi-path Neural Networks for On-device Multi-domain Visual Classification [55.281139434736254]
  本稿では,モバイルデバイス上でのマルチドメイン視覚分類のためのマルチパスネットワークの自動学習手法を提案する。 提案するマルチパスネットワークは,各ドメインに1つの強化学習コントローラを適用して,MobileNetV3のような検索空間から生成されたスーパーネットワークの最適経路を選択することにより,ニューラルネットワーク検索から学習する。 決定されたマルチパスモデルは、個々のドメインパス内の非共有ノード内にドメイン固有のパラメータを保持しながら、共有ノード内のドメイン間でパラメータを選択的に共有する。
  論文  参考訳（メタデータ） (2020-10-10T05:13:49Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• Distributed Uplink Beamforming in Cell-Free Networks Using Deep Reinforcement Learning [25.579612460904873]
  本稿では,集中処理,半分散処理,完全分散処理を備えたアップリンクセルフリーネットワークのためのビームフォーミング手法を提案する。 分散ビームフォーミング手法は,小規模ネットワークのみを対象とした集中学習によるDDPGアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-06-26T17:54:34Z)

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。