論文の概要: Learning-Based Link Scheduling in Millimeter-wave Multi-connectivity Scenarios

• arxiv url: http://arxiv.org/abs/2003.02651v1
• Date: Mon, 2 Mar 2020 12:42:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 04:59:42.758824
• Title: Learning-Based Link Scheduling in Millimeter-wave Multi-connectivity Scenarios
• Title（参考訳）: ミリ波多重接続シナリオにおける学習型リンクスケジューリング
• Authors: Cristian Tatino, Nikolaos Pappas, Ilaria Malanchini, Lutz Ewe, and Di Yuan
• Abstract要約: 信頼性の高い通信を提供するための,有望なソリューションとして,マルチコネクションが登場している。 学習に基づく解法が最適に近づき,ベースライン法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 15.890587444719081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-connectivity is emerging as a promising solution to provide reliable communications and seamless connectivity for the millimeter-wave frequency range. Due to the blockage sensitivity at such high frequencies, connectivity with multiple cells can drastically increase the network performance in terms of throughput and reliability. However, an inefficient link scheduling, i.e., over and under-provisioning of connections, can lead either to high interference and energy consumption or to unsatisfied user's quality of service (QoS) requirements. In this work, we present a learning-based solution that is able to learn and then to predict the optimal link scheduling to satisfy users' QoS requirements while avoiding communication interruptions. Moreover, we compare the proposed approach with two base line methods and the genie-aided link scheduling that assumes perfect channel knowledge. We show that the learning-based solution approaches the optimum and outperforms the base line methods.
• Abstract（参考訳）: ミリ波周波数範囲に対する信頼性の高い通信とシームレスな接続を実現するための,有望なソリューションとして,マルチコネクションが登場している。 このような高い周波数でのブロック感度のため、複数のセルとの接続はスループットと信頼性の観点からネットワーク性能を劇的に向上させることができる。 しかし、コネクションのオーバー・アン・プロビジョンといった非効率なリンクスケジューリングは、高い干渉とエネルギー消費につながるか、満足できないユーザのQoS(Quality of Service)要件につながる可能性がある。 本稿では,コミュニケーションの中断を回避しつつ,ユーザのqos要件を満たすために最適なリンクスケジューリングを予測できる学習ベースのソリューションを提案する。 さらに,提案手法を2つのベースライン手法と,完全チャネル知識を前提としたジェニー支援リンクスケジューリングと比較した。 学習に基づく解法が最適に近づき,ベースライン法より優れていることを示す。

関連論文リスト

• Online Optimization for Learning to Communicate over Time-Correlated Channels [36.042709241525706]
  本研究では,時間関連チャネル上でのコミュニケーション学習におけるオンライン最適化問題について検討する。 楽観的なオンラインミラー降下フレームワークに基づく2つのオンライン最適化アルゴリズムを開発した。 提案手法は,学習システムの予測誤差確率に基づいて線形後悔を導出することで理論的に保証する。
  論文  参考訳（メタデータ） (2024-09-01T01:28:53Z)
• Online Learning for Adaptive Probing and Scheduling in Dense WLANs [4.585894579981477]
  既存のネットワークスケジューリングソリューションは、スケジューリング決定が下される前に、瞬時リンクレートが完全に知られていると仮定する。 探索決定が適応的でない場合に性能を保証する近似アルゴリズムを開発する。 我々は、未知のリンクレート分布でオンライン設定にソリューションを拡張し、文脈帯域ベースのアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-12-27T19:12:17Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Accelerating Federated Edge Learning via Optimized Probabilistic Device Scheduling [57.271494741212166]
  本稿では,通信時間最小化問題を定式化し,解決する。 最適化されたポリシーは、トレーニングプロセスが進むにつれて、残りの通信ラウンドの抑制から、ラウンドごとのレイテンシの低減へと、徐々に優先順位を転換している。 提案手法の有効性は,自律運転における協調的3次元目標検出のユースケースを通じて実証される。
  論文  参考訳（メタデータ） (2021-07-24T11:39:17Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Reinforcement Learning for Mitigating Intermittent Interference in Terahertz Communication Networks [4.999585439793266]
  多数のユーザによる非協調送信はテラヘルツネットワークに重大な干渉を引き起こす可能性がある。 適応型マルチスレッディング戦略を用いた強化学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-10T16:28:45Z)

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。