論文の概要: Learn to Schedule (LEASCH): A Deep reinforcement learning approach for radio resource scheduling in the 5G MAC layer

• arxiv url: http://arxiv.org/abs/2003.11003v1
• Date: Tue, 24 Mar 2020 17:45:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 09:47:47.560615
• Title: Learn to Schedule (LEASCH): A Deep reinforcement learning approach for radio resource scheduling in the 5G MAC layer
• Title（参考訳）: learn to schedule (leasch): 5g mac層における無線資源スケジューリングのための深層強化学習手法
• Authors: F. AL-Tam, N. Correia, J. Rodriguez
• Abstract要約: 本稿では,5GネットワークのMAC層における無線リソーススケジューリング問題を解くことができる深層強化学習モデルLEASCHについて述べる。 その結果,多くの性能指標において,従来の基準法と比較してLEASCHの有効性が検証された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network management tools are usually inherited from one generation to another. This was successful since these tools have been kept in check and updated regularly to fit new networking goals and service requirements. Unfortunately, new networking services will render this approach obsolete and handcrafting new tools or upgrading the current ones may lead to complicated systems that will be extremely difficult to maintain and improve. Fortunately, recent advances in AI have provided new promising tools that can help solving many network management problems. Following this interesting trend, the current article presents LEASCH, a deep reinforcement learning model able to solve the radio resource scheduling problem in the MAC layer of 5G networks. LEASCH is developed and trained in a sand-box and then deployed in a 5G network. The experimental results validate the effectiveness of LEASCH compared to conventional baseline methods in many key performance indicators.
• Abstract（参考訳）: ネットワーク管理ツールは通常、ある世代から別の世代に継承される。 これらのツールがチェックされ、新しいネットワークの目標とサービス要件に適合するように定期的に更新されているため、これは成功した。 残念ながら、新しいネットワーキングサービスはこのアプローチを時代遅れにし、新しいツールを手作りしたり、現在のツールをアップグレードすることで、メンテナンスと改善が極めて難しい複雑なシステムに繋がる可能性がある。 幸いなことに、aiの最近の進歩は、多くのネットワーク管理問題を解決するのに役立つ新しい有望なツールを提供した。 この興味深い傾向に続き、本記事では5GネットワークのMAC層における無線リソーススケジューリング問題を解くことができる深層強化学習モデルLEASCHを紹介する。 LEASCHはサンドボックスで開発、訓練され、5Gネットワークにデプロイされる。 実験結果は,従来のベースライン法と比較し,leaschの有効性を検証した。

関連論文リスト

• Katakomba: Tools and Benchmarks for Data-Driven NetHack [52.0035089982277]
  NetHackは強化学習研究のフロンティアとして知られている。 採用には、リソースワイド、実装ワイド、ベンチマークワイドの3つの大きな障害がある、と私たちは主張しています。 オフラインの強化学習コミュニティに慣れ親しんだワークフローの基礎を提供するオープンソースライブラリを開発した。
  論文  参考訳（メタデータ） (2023-06-14T22:50:25Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Highly Accurate and Reliable Wireless Network Slicing in 5th Generation Networks: A Hybrid Deep Learning Approach [21.137037568638974]
  畳み込みニューラルネットワーク(CNN)と長期記憶(LSTM)を組み合わせたハイブリッドディープラーニングモデルを提案する。 全体の95.17%の精度は、その適用性を反映した提案されたモデルによって達成される。
  論文  参考訳（メタデータ） (2021-10-07T10:05:25Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Single and Multi-Agent Deep Reinforcement Learning for AI-Enabled Wireless Networks: A Tutorial [29.76086936463468]
  このチュートリアルは、AI対応の6Gネットワークのための深層マルチエージェント強化学習(MARL)に焦点を当て、DRL(Deep Reinforcement Learning)の役割に焦点を当てている。 本稿では, 単エージェント RL と MARL の数学的枠組みについて概説する。 モデルベースRL(MBRL)や協調MARLなどのRLアルゴリズムを選択的に記述する。
  論文  参考訳（メタデータ） (2020-11-06T22:12:40Z)
• Communicate to Learn at the Edge [21.673987528292773]
  機械学習技術は、多くの新しいサービスやビジネスを可能にするだけでなく、技術的な課題や研究課題も生み出す。 MLアルゴリズムの成功に重要な2つの要因は、大量のデータと処理能力である。 本稿では,エッジ学習の訓練段階と推論段階の両方において,共同コミュニケーションと学習パラダイムを論じる。
  論文  参考訳（メタデータ） (2020-09-28T12:33:31Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。 ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。 このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Machine Learning for Network Slicing Resource Management: A Comprehensive Survey [8.447614574360781]
  マルチテナントネットワークスライシングは5Gセルネットワークの重要な特徴であると考えられている。 新しいタイプのパブリッククラウドサービスとして、ネットワークスライスを提供する。 ネットワークリソース管理における新たな課題を提起する。
  論文  参考訳（メタデータ） (2020-01-22T11:55:29Z)

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。