論文の概要: Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G

• arxiv url: http://arxiv.org/abs/2004.00507v1
• Date: Sun, 29 Mar 2020 04:48:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 13:32:55.102491
• Title: Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G
• Title（参考訳）: 5Gにおける各種品質要件を考慮した無線リソース割当の深層学習
• Authors: Rui Dong, Changyang She, Wibowo Hardjawana, Yonghui Li, and Branka Vucetic
• Abstract要約: 本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。 完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。 無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
• 参考スコア（独自算出の注目度）: 53.23237216769839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To accommodate diverse Quality-of-Service (QoS) requirements in the 5th generation cellular networks, base stations need real-time optimization of radio resources in time-varying network conditions. This brings high computing overheads and long processing delays. In this work, we develop a deep learning framework to approximate the optimal resource allocation policy that minimizes the total power consumption of a base station by optimizing bandwidth and transmit power allocation. We find that a fully-connected neural network (NN) cannot fully guarantee the QoS requirements due to the approximation errors and quantization errors of the numbers of subcarriers. To tackle this problem, we propose a cascaded structure of NNs, where the first NN approximates the optimal bandwidth allocation, and the second NN outputs the transmit power required to satisfy the QoS requirement with given bandwidth allocation. Considering that the distribution of wireless channels and the types of services in the wireless networks are non-stationary, we apply deep transfer learning to update NNs in non-stationary wireless networks. Simulation results validate that the cascaded NNs outperform the fully connected NN in terms of QoS guarantee. In addition, deep transfer learning can reduce the number of training samples required to train the NNs remarkably.
• Abstract（参考訳）: 第5世代セルラーネットワークにおけるqos(quality-of-service)要求を満たすために、基地局は時変ネットワーク環境における無線資源のリアルタイム最適化が必要である。 これは、高いコンピューティングオーバーヘッドと長い処理遅延をもたらす。 本研究では,帯域幅を最適化し,送信電力を割り当てることにより,基地局の総消費電力を最小化する最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。 完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,QoS要求を完全に保証できないことがわかった。 この問題に対処するために,第1のNNが最適帯域割り当てを近似し,第2のNNが与えられた帯域割り当てでQoS要求を満たすために必要な送信電力を出力する,NNのカスケード構造を提案する。 無線回線の分布と無線ネットワーク内のサービスの種類が非定常であることを考慮して,非定常無線ネットワークにおけるnns更新にディープトランスファー学習を適用する。 シミュレーションの結果、カスケードNNはQoS保証の観点から完全に接続されたNNよりも優れていた。 さらに、ディープトランスファー学習は、NNのトレーニングに必要なトレーニングサンプルの数を著しく削減することができる。

関連論文リスト

• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
  制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。 この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
  論文  参考訳（メタデータ） (2022-12-25T15:40:05Z)
• Tactile Network Resource Allocation enabled by Quantum Annealing based on ILP Modeling [0.0]
  本稿では,量子コンピューティング(QC)モデルと整数線形プログラム(ILP)モデルに基づく,短時間ネットワーク最適化のための新しいフレームワークを提案する。 我々は、資源供給のためのほぼ実世界のILPモデルを、量子アニーラー(QA)で解ける二次的制約のない2進最適化問題にマップする。
  論文  参考訳（メタデータ） (2022-12-14T14:12:03Z)
• On-Demand Resource Management for 6G Wireless Networks Using Knowledge-Assisted Dynamic Neural Networks [13.318287511072354]
  本稿では,オーケストレーション決定プロセスにおける計算遅延に着目し,オンデマンド無線リソースオーケストレーション問題について検討する。 動的ニューラルネットワーク(DyNN)に基づく手法を提案し,サービス要求に応じてモデルの複雑性を調整する。 知識を活用することで、DyNNの幅をタイムリーに選択でき、さらにオーケストレーションの性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-08-02T23:40:03Z)
• 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)
• QoS-Aware Scheduling in New Radio Using Deep Reinforcement Learning [2.3857747529378917]
  NRネットワークのためのQA-Aware Deep Reinforcement Learning Agent (QADRA)スケジューラを提案する。 評価シナリオとして,QADRAスケジューラはネットワークのスループットを30%向上すると同時に,ユーザの満足度を同時に維持する。
  論文  参考訳（メタデータ） (2021-07-14T09:18:39Z)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。