論文の概要: Reinforcement Learning for Mitigating Intermittent Interference in Terahertz Communication Networks

• arxiv url: http://arxiv.org/abs/2003.04832v1
• Date: Tue, 10 Mar 2020 16:28:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 21:56:26.998729
• Title: Reinforcement Learning for Mitigating Intermittent Interference in Terahertz Communication Networks
• Title（参考訳）: テラヘルツ通信ネットワークにおける間欠干渉緩和のための強化学習
• Authors: Reza Barazideh and Omid Semiari and Solmaz Niknam and Balasubramaniam Natarajan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.999585439793266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emerging wireless services with extremely high data rate requirements, such as real-time extended reality applications, mandate novel solutions to further increase the capacity of future wireless networks. In this regard, leveraging large available bandwidth at terahertz frequency bands is seen as a key enabler. To overcome the large propagation loss at these very high frequencies, it is inevitable to manage transmissions over highly directional links. However, uncoordinated directional transmissions by a large number of users can cause substantial interference in terahertz networks. While such interference will be received over short random time intervals, the received power can be large. In this work, a new framework based on reinforcement learning is proposed that uses an adaptive multi-thresholding strategy to efficiently detect and mitigate the intermittent interference from directional links in the time domain. To find the optimal thresholds, the problem is formulated as a multidimensional multi-armed bandit system. Then, an algorithm is proposed that allows the receiver to learn the optimal thresholds with very low complexity. Another key advantage of the proposed approach is that it does not rely on any prior knowledge about the interference statistics, and hence, it is suitable for interference mitigation in dynamic scenarios. Simulation results confirm the superior bit-error-rate performance of the proposed method compared with two traditional time-domain interference mitigation approaches.
• Abstract（参考訳）: リアルタイム拡張現実感アプリケーションのような極めて高いデータレート要求の無線サービスを創り出すには、将来の無線ネットワークの容量をさらに増やす新しいソリューションを義務付ける必要がある。 この場合、テラヘルツ周波数帯における大きな帯域幅を活用することが鍵となる。 これらの高周波数での大きな伝搬損失を克服するためには、高方向リンク上での伝送を管理することは避けられない。 しかし、多数のユーザによる非コーディネート指向送信はテラヘルツネットワークにかなりの干渉を引き起こす可能性がある。 このような干渉は短いランダムな時間間隔で受信されるが、受信した電力は大きい。 本研究では,適応型マルチthresholding戦略を用いて,時間領域における方向リンクからの間欠的干渉を効率的に検出し緩和する,強化学習に基づく新しいフレームワークを提案する。 最適しきい値を求めるために、問題は多次元多腕バンディットシステムとして定式化される。 次に、受信者が非常に低い複雑性で最適な閾値を学習できるアルゴリズムを提案する。 提案手法のもう1つの重要な利点は、干渉統計に関する事前の知識に依存しないため、動的シナリオにおける干渉緩和に適していることである。 シミュレーションの結果,従来の2つの時間領域干渉緩和法と比較して,提案手法のビットエラーレート性能が良好であることが確認された。

関連論文リスト

• Multi-Agent Context Learning Strategy for Interference-Aware Beam Allocation in mmWave Vehicular Communications [8.29063749138322]
  我々は,Multi-Agent Context Learning (MACOL) と呼ばれる新しい戦略を開発し,ネットワーク内の車両に対してmWaveビームを割り当てながら干渉を管理する。 提案手法は,近隣のビーム状態の知識を活用することで,機械学習エージェントが他の送信に干渉する可能性のある送信を識別・回避できることを実証する。
  論文  参考訳（メタデータ） (2024-01-04T15:43:55Z)
• Deep Reinforcement Learning for Interference Management in UAV-based 3D Networks: Potentials and Challenges [137.47736805685457]
  チャネル情報を知らなくても干渉を効果的に軽減できることを示す。 干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
  論文  参考訳（メタデータ） (2023-05-11T18:06:46Z)
• Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference [101.9031141868695]
  モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。 本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。 呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
  論文  参考訳（メタデータ） (2023-05-10T07:05:43Z)
• Reliable Beamforming at Terahertz Bands: Are Causal Representations the Way Forward? [85.06664206117088]
  マルチユーザ無線システムは、テラヘルツ帯域と大量のアンテナを利用することで、メタバース要件を満たすことができる。 既存の解にはチャネル力学の適切なモデリングが欠如しており、その結果、高流動シナリオにおける不正確なビームフォーミング解が生じる。 ここでは、変分因果推論における新しい人工知能アルゴリズムを利用して、動的で意味論的に認識されたビームフォーミングソリューションを初めて提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:02:46Z)
• Interference Suppression Using Deep Learning: Current Approaches and Open Challenges [2.179313476241343]
  本稿では,深層学習を用いた干渉抑制技術について概説する。 干渉抑制における多種多様な深層学習手法の比較とガイドラインを提供する。 さらに,干渉抑制におけるディープラーニングの導入を成功させる上での課題と今後の研究方向性を強調した。
  論文  参考訳（メタデータ） (2021-12-16T16:07:42Z)
• 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)
• Digital Beamforming Robust to Time-Varying Carrier Frequency Offset [21.18926642388997]
  時変キャリア周波数オフセットから発生する信号の破損に頑健な新しいビームフォーミングアルゴリズムを提案する。 パイロットと干渉器信号に未知の時変周波数ドリフトが存在する場合に干渉をキャンセルできる重みベクトルを設計するための2つの原子ノルム最小化(anm)方式を提案する。
  論文  参考訳（メタデータ） (2021-03-08T18:08:56Z)
• Harnessing Wireless Channels for Scalable and Privacy-Preserving Federated Learning [56.94644428312295]
  無線接続は、フェデレートラーニング(FL)の実現に有効である Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。 A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。 これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
  論文  参考訳（メタデータ） (2020-07-03T16:31:15Z)
• Interference Distribution Prediction for Link Adaptation in Ultra-Reliable Low-Latency Communications [71.0558149440701]
  リンク適応(LA)はURLLCを実現するボトルネックの一つと考えられている。 本稿では,ユーザの干渉信号と雑音比の予測に焦点をあて,LAを増強する。 干渉の時間相関を利用することがURLLCの重要な有効性であることを示す。
  論文  参考訳（メタデータ） (2020-07-01T07:59:35Z)

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。