論文の概要: Learning and Fairness in Energy Harvesting: A Maximin Multi-Armed Bandits Approach

• arxiv url: http://arxiv.org/abs/2003.06213v3
• Date: Tue, 16 Jun 2020 10:01:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 01:03:32.040941
• Title: Learning and Fairness in Energy Harvesting: A Maximin Multi-Armed Bandits Approach
• Title（参考訳）: エネルギーハーベスティングにおける学習と公正性:最大多要素バンドアプローチ
• Authors: Debamita Ghosh, Arun Verma and Manjesh K. Hanawal
• Abstract要約: 近年の無線無線周波数(RF)エネルギー回収技術により、センサノードは電池を遠隔充電することで寿命を延ばすことができる。 ノードが取得するエネルギーの量は、環境によって異なり、ソースに近接する。 したがって、この量を最大化する周波数帯域で送信できるように、ノードが取得した最小のエネルギーを学習することが重要である。
• 参考スコア（独自算出の注目度）: 4.350783459690612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in wireless radio frequency (RF) energy harvesting allows sensor nodes to increase their lifespan by remotely charging their batteries. The amount of energy harvested by the nodes varies depending on their ambient environment, and proximity to the source. The lifespan of the sensor network depends on the minimum amount of energy a node can harvest in the network. It is thus important to learn the least amount of energy harvested by nodes so that the source can transmit on a frequency band that maximizes this amount. We model this learning problem as a novel stochastic Maximin Multi-Armed Bandits (Maximin MAB) problem and propose an Upper Confidence Bound (UCB) based algorithm named Maximin UCB. Maximin MAB is a generalization of standard MAB and enjoys the same performance guarantee as that of the UCB1 algorithm. Experimental results validate the performance guarantees of our algorithm.
• Abstract（参考訳）: 近年の無線無線周波数(RF)エネルギー回収技術により、センサノードは電池を遠隔充電することで寿命を伸ばすことができる。 ノードが収穫するエネルギー量は、周囲の環境や源との距離によって異なる。 センサネットワークの寿命は、ノードがネットワークで取得できる最小のエネルギー量に依存する。 したがって、この量を最大化する周波数帯域で送信できるように、ノードが取得したエネルギーの最小量を学習することが重要である。 我々は、この学習問題を新しい確率的Maximin Multi-Armed Bandits (Maximin MAB)問題としてモデル化し、Maximin UCBという名前のアッパー信頼境界(UCB)に基づくアルゴリズムを提案する。 Maximin MABは標準MABの一般化であり、UTB1アルゴリズムと同じ性能を保証する。 実験結果は,アルゴリズムの性能保証の有効性を検証する。

関連論文リスト

• Energy-Efficient Sleep Mode Optimization of 5G mmWave Networks Using Deep Contextual MAB [0.0]
  モバイルネットワークにおけるこのエネルギー消費を削減する効果的な戦略は、基地局(BS)のスリープモード最適化(SMO)である。 本稿では,3次元都市環境におけるmmWave BSに対する新しいSMO手法を提案する。 提案手法は,ユーザレートと平均スループットの10分の1のパーセンタイルにおいて,他のSM戦略よりも優れている。
  論文  参考訳（メタデータ） (2024-05-15T17:37:28Z)
• Sum-Rate Maximization of RSMA-based Aerial Communications with Energy Harvesting: A Reinforcement Learning Approach [5.35414932422173]
  自給自足の航空基地局は、収穫されたエネルギーを利用して複数の利用者にサービスを提供する。 長期的観点からの総和率の最大化を考慮し、深層強化学習(DRL)アプローチを用いる。 提案手法は,平均和レート性能において,いくつかの基本手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-22T15:38:22Z)
• Energy-Efficient Design for a NOMA assisted STAR-RIS Network with Deep Reinforcement Learning [78.50920340621677]
  同時送信・再構成可能なインテリジェントサーフェス(STAR-RIS)は、無線ネットワークの性能を高めるための有望な補助装置であると考えられている。 本稿では,非直交多重アクセス(NOMA)ネットワークにおけるエネルギー効率(EE)問題について検討する。 基地局の送信ビームフォーミングベクトルとSTAR-RISの勾配行列を協調的に最適化することにより,EEを最大化する。
  論文  参考訳（メタデータ） (2021-11-30T15:01:19Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Design and Comparison of Reward Functions in Reinforcement Learning for Energy Management of Sensor Nodes [0.0]
  IoT(Internet-of-Things)パラダイムの最近の進歩により、リモート監視への関心が高まっている。 センサノードと呼ばれる小さなデバイスを使って、環境からデータを収集して処理できる新しいアプリケーションが登場した。 バッテリー技術は、これらの増大するニーズに対応するのに十分な速さで改善されていない。 従来のエネルギー源を補完するために、小型のエネルギー収穫装置が出現している。
  論文  参考訳（メタデータ） (2021-06-02T12:23:47Z)
• Learning to Optimize Energy Efficiency in Energy Harvesting Wireless Sensor Networks [11.075698140595113]
  エネルギー源から複数のエネルギー収穫ノードへの無線電力伝送について検討する。 本研究では,エネルギー効率を最大化するエネルギー源の最適送信電力を学習する高信頼バウンドベースアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-30T15:51:39Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
  分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。 本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。 実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-21T07:02:07Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。