論文の概要: Joint User Pairing and Association for Multicell NOMA: A Pointer
Network-based Approach
- arxiv url: http://arxiv.org/abs/2004.07395v1
- Date: Wed, 15 Apr 2020 23:42:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 03:21:25.178077
- Title: Joint User Pairing and Association for Multicell NOMA: A Pointer
Network-based Approach
- Title(参考訳): マルチセルNOMAのユーザペアリングとアソシエーション:ポインタネットワークによるアプローチ
- Authors: Manyou Ma and Vincent W.S. Wong
- Abstract要約: ユーザ機器(UE)を複数の基地局を備えたマルチセルネットワークに配置するシナリオを考察する。
我々は、ポインタネットワーク(PtrNet)と呼ばれる新しいディープラーニングアーキテクチャを用いて、統合ユーザペアリングとアソシエーション問題を最適化問題として定式化する。
提案手法は,アグリゲーションデータ率の観点から,ほぼ最適性能を実現する。
- 参考スコア(独自算出の注目度): 22.501227501613204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we investigate the joint user pairing and association problem
for multicell non-orthogonal multiple access (NOMA) systems. We consider a
scenario where the user equipments (UEs) are located in a multicell network
equipped with multiple base stations. Each base station has multiple orthogonal
physical resource blocks (PRBs). Each PRB can be allocated to a pair of UEs
using NOMA. Each UE has the additional freedom to be served by any one of the
base stations, which further increases the complexity of the joint user pairing
and association algorithm design. Leveraging the recent success on using
machine learning to solve numerical optimization problems, we formulate the
joint user pairing and association problem as a combinatorial optimization
problem. The solution is found using an emerging deep learning architecture
called Pointer Network (PtrNet), which has a lower computational complexity
compared to solutions based on iterative algorithms and has been proven to
achieve near-optimal performance. The training phase of the PtrNet is based on
deep reinforcement learning (DRL), and does not require the use of the optimal
solution of the formulated problem as training labels. Simulation results show
that the proposed joint user pairing and association scheme achieves
near-optimal performance in terms of the aggregate data rate, and outperforms
the random user pairing and association heuristic by up to 30%.
- Abstract(参考訳): 本稿では,マルチセル非直交多重アクセス(NOMA)システムにおけるユーザペアリングとアソシエーションの問題について検討する。
ユーザ機器(UE)を複数の基地局を備えたマルチセルネットワークに配置するシナリオを考察する。
各基地局は複数の直交物理資源ブロック(PRB)を有する。
各 PRB は NOMA を用いて一対の UE に割り当てることができる。
各UEは、基地局のいずれかが提供できる追加の自由を有しており、共同ユーザペアリングとアソシエーションアルゴリズムの設計の複雑さをさらに高めている。
数値最適化問題を解くために機械学習を用いた最近の成功を活かし、組合せ最適化問題としてユーザペアリングとアソシエーション問題を定式化した。
このソリューションはPointer Network(PtrNet)と呼ばれる新しいディープラーニングアーキテクチャを使っており、これは反復アルゴリズムに基づくソリューションに比べて計算の複雑さが低く、ほぼ最適性能を実現することが証明されている。
PtrNetのトレーニングフェーズは、深層強化学習(DRL)に基づいており、定式化問題の最適解をトレーニングラベルとして使用する必要はない。
シミュレーションの結果,提案手法は,集計データ率の観点からほぼ最適性能を達成し,ランダムなユーザペアリングとアソシエイトヒューリスティックを最大30%向上させることがわかった。
関連論文リスト
- UAV-assisted Joint Mobile Edge Computing and Data Collection via Matching-enabled Deep Reinforcement Learning [42.164233719747905]
無人航空機 (UAV) 支援モバイルコンピューティング (MEC) とデータ収集 (DC) が人気である。
本稿では,このベンチマーク問題を協調的に検討する。
論文 参考訳(メタデータ) (2025-02-11T09:18:32Z) - A Random-Key Optimizer for Combinatorial Optimization [0.0]
Random-Key Hubs (RKO) は最適化問題に適した汎用的で効率的な局所探索手法である。
ランダムキーの概念を用いて、RKOは解をランダムキーのベクトルとしてエンコードし、後に問題固有のデコーダを介して実現可能な解へとデコードする。
RKOフレームワークは古典的メタヒューリスティクスの多元体を組み合わせ、それぞれが独立して、あるいは並列に動作可能であり、エリートソリューションプールを通じてソリューション共有が促進される。
論文 参考訳(メタデータ) (2024-11-06T22:23:29Z) - LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳(メタデータ) (2024-10-03T18:12:29Z) - A Deep Learning Approach for User-Centric Clustering in Cell-Free Massive MIMO Systems [7.202538088166535]
ユーザクラスタリング問題を解決するために,ディープラーニングに基づくソリューションを提案する。
提案手法は,ユーザ数に応じて効果的に拡張可能であり,長期のメモリセルを再トレーニングを必要とせずに動作させることができる。
その結果,パイロット汚染による不完全なチャネル状態情報が存在する場合でも,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-09-17T15:12:54Z) - Twin Sorting Dynamic Programming Assisted User Association and Wireless Bandwidth Allocation for Hierarchical Federated Learning [7.274131715810928]
階層型フェデレーション学習システムにおけるユーザアソシエーションと無線帯域幅割り当てについて検討する。
エッジサーバが2つある場合に,グローバルな最適解を求めるTSDPアルゴリズムを設計する。
さらに,3つ以上のエッジサーバが存在する場合に,ユーザアソシエーションのためのTSDP支援アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-08-17T02:29:32Z) - Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。
STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。
複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
論文 参考訳(メタデータ) (2024-06-19T07:17:04Z) - Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。
コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。
また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
論文 参考訳(メタデータ) (2024-02-20T23:59:45Z) - Let the Flows Tell: Solving Graph Combinatorial Optimization Problems
with GFlowNets [86.43523688236077]
組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。
GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。
本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
論文 参考訳(メタデータ) (2023-05-26T15:13:09Z) - Deep Negative Correlation Classification [82.45045814842595]
既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。
深部負相関分類(DNCC)を提案する。
DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
論文 参考訳(メタデータ) (2022-12-14T07:35:20Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳(メタデータ) (2020-01-22T08:51:05Z)
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。