論文の概要: Decentralized Learning for Channel Allocation in IoT Networks over
Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game
- arxiv url: http://arxiv.org/abs/2003.13314v3
- Date: Thu, 1 Jul 2021 10:16:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 08:48:12.566306
- Title: Decentralized Learning for Channel Allocation in IoT Networks over
Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game
- Title（参考訳）: コンテキストマルチプレイヤーマルチアームバンディットゲームとしての未ライセンス帯域上のIoTネットワークにおけるチャネル割当の分散学習
- Authors: Wenbo Wang, Amir Leshem, Dusit Niyato, Zhu Han
- Abstract要約: 本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。
本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 134.88020946767404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study a decentralized channel allocation problem in an ad-hoc Internet of
Things network underlaying on the spectrum licensed to a primary cellular
network. In the considered network, the impoverished channel sensing/probing
capability and computational resource on the IoT devices make them difficult to
acquire the detailed Channel State Information (CSI) for the shared multiple
channels. In practice, the unknown patterns of the primary users' transmission
activities and the time-varying CSI (e.g., due to small-scale fading or device
mobility) also cause stochastic changes in the channel quality. Decentralized
IoT links are thus expected to learn channel conditions online based on partial
observations, while acquiring no information about the channels that they are
not operating on. They also have to reach an efficient, collision-free solution
of channel allocation with limited coordination. Our study maps this problem
into a contextual multi-player, multi-armed bandit game, and proposes a purely
decentralized, three-stage policy learning algorithm through trial-and-error.
Theoretical analyses shows that the proposed scheme guarantees the IoT links to
jointly converge to the social optimal channel allocation with a sub-linear
(i.e., polylogarithmic) regret with respect to the operational time.
Simulations demonstrate that it strikes a good balance between efficiency and
network scalability when compared with the other state-of-the-art decentralized
bandit algorithms.
- Abstract（参考訳）: 本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。
検討されたネットワークでは、IoTデバイス上でのチャネル検出/探索機能と計算資源が不足しているため、共有された複数のチャネルの詳細なチャネル状態情報(CSI)を取得するのが困難である。
実際には、一次ユーザの伝送活動の未知のパターンと時間的変動csi(小規模のフェージングやデバイスの移動性など)もまた、チャネル品質の確率的変化を引き起こす。
これにより、分散IoTリンクは、部分的な観察に基づいてチャネル条件をオンラインで学習し、操作していないチャネルに関する情報は取得されない。
また、調整が限定されたチャネル割り当ての効率的で衝突のないソリューションにも到達する必要がある。
本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
理論的解析により,提案手法では,iot リンクが動作時間に対してサブリニア(多対数)の後悔を伴って,社会的最適チャネル割り当てに収束することを保証している。
シミュレーションは、他の最先端分散バンディットアルゴリズムと比較して、効率性とネットワークスケーラビリティのバランスが良いことを示している。
関連論文リスト
- SINR-Aware Deep Reinforcement Learning for Distributed Dynamic Channel
Allocation in Cognitive Interference Networks [10.514231683620517]
本稿では,複数の大規模ネットワークによるキャリヤ間干渉(ICI)とチャネル再利用を経験する実世界のシステムに焦点を当てる。
CARLTON(Channel Allocation RL To Overlapped Networks)と呼ばれる分散DCAのための新しいマルチエージェント強化学習フレームワークを提案する。
本結果は,従来の最先端手法に比べて優れた効率性を示し,優れた性能とロバストな一般化を示した。
論文 参考訳（メタデータ） (2024-02-17T20:03:02Z) - Decentralized Learning over Wireless Networks with Broadcast-Based
Subgraph Sampling [36.99249604183772]
この研究は、コンセンサスに基づく分散降下(D-SGD)を用いた、無線ネットワーク上の分散学習のコミュニケーション面を中心にしている。
ネットワーク内情報交換による実際の通信コストや遅延を考慮すると,送信スロット毎の改善によって測定されたアルゴリズムの高速収束を実現することが目的である。
本稿では,無線ネットワーク上でのD-SGDの効率的な通信フレームワークであるBASSを提案する。
論文 参考訳（メタデータ） (2023-10-24T18:15:52Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Decentralized Learning over Wireless Networks: The Effect of Broadcast
with Random Access [56.91063444859008]
本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。
この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
論文 参考訳（メタデータ） (2023-05-12T10:32:26Z) - Non-Local and Quantum Advantages in Network Coding for Multiple Access
Channels [1.6114012813668934]
従来のネットワークチャネル上での絡み合い支援通信について検討する。
非ローカルゲームに基づくn-senderと1-receiver多重アクセスチャネルのためのフレームワークを開発する。
論文 参考訳（メタデータ） (2023-04-21T07:54:52Z) - Decentralized Channel Management in WLANs with Graph Neural Networks [17.464353263281907]
無線ローカルエリアネットワーク(WLAN)は、複数のアクセスポイント(AP)を管理し、トラフィック要求を満たすためにAPに無線周波数を割り当てる。
本稿では,分散的に実装可能な学習型ソリューションを提案する。
論文 参考訳（メタデータ） (2022-10-30T21:14:45Z) - Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。
我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-08-17T02:01:18Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Distributed Deep Reinforcement Learning for Collaborative Spectrum
Sharing [29.23509739013885]
本稿では,中央管理を伴わない分散スペクトル協調の問題点について述べる。
ゲーム理論の洞察と深層Q-ラーニングを組み合わせることで,スペクトル協調問題に対する新たな最適解を提供する。
論文 参考訳（メタデータ） (2021-04-06T04:33:06Z) - Channel Equilibrium Networks for Learning Deep Representation [63.76618960820138]
この研究は正規化と正則線型関数の組み合わせがチャネルを阻害することを示している。
阻害されたチャネルを単に取り除いた先行技術とは異なり、我々は、新しいニューラルネットワークビルディングブロックを設計することで、トレーニング中に「目を覚ます」ことを提案する。
Channel Equilibrium (CE) ブロックは、同じレイヤのチャネルが学習した表現に等しく寄与することを可能にする。
論文 参考訳（メタデータ） (2020-02-29T09:02:31Z)
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。