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
- ESFL: Efficient Split Federated Learning over Resource-Constrained
Heterogeneous Wireless Devices [24.016172028373024]
フェデレートラーニング(FL)は、複数のパーティ(分散デバイス)が生データを共有せずに機械学習モデルをトレーニングすることを可能にする。
本稿では,中央サーバにおける強力な計算能力を最大限に活用するために,効率的な分割フェデレーション学習アルゴリズム(ESFL)を提案する。
論文 参考訳(メタデータ) (2024-02-24T20:50:29Z) - Learning RL-Policies for Joint Beamforming Without Exploration: A Batch
Constrained Off-Policy Approach [1.0080317855851213]
本稿では,ネットワークにおけるパラメータキャンセル最適化の問題点について考察する。
探索と学習のために実世界でアルゴリズムをデプロイすることは、探索せずにデータによって達成できることを示す。
論文 参考訳(メタデータ) (2023-10-12T18:36:36Z) - Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB
networks [0.0]
統合アクセスとバックハウリング(IRL)は、将来の世代におけるより高いデータレートに対する前例のない要求を満たすための、実行可能なアプローチである。
本稿では,分数ノードに付随する巨大なアクション空間の問題を,Deep Q-Learning Networkを用いて処理する方法を示す。
論文 参考訳(メタデータ) (2023-08-31T21:30:25Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate
ranks [49.85896045032822]
非支配解と最高多変量階との自然な関係を示し、これは合同累積分布関数(CDF)の最外層線と一致する。
我々はCDFインジケータに基づくBOtiedと呼ばれる取得関数を提案する。
論文 参考訳(メタデータ) (2023-06-01T04:50:06Z) - 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) - A Machine Learning Approach for Task and Resource Allocation in Mobile
Edge Computing Based Networks [108.57859531628264]
無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。
提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
論文 参考訳(メタデータ) (2020-07-20T13:46:42Z) - Federated Learning for Task and Resource Allocation in Wireless High
Altitude Balloon Networks [160.96150373385768]
移動エッジコンピューティング(MEC)対応バルーンネットワークにおいて,タスク計算と伝送におけるエネルギーと時間消費の最小化の問題について検討した。
サポートベクトルマシン(SVM)に基づくフェデレーション学習(FL)アルゴリズムを提案する。
提案したSVMベースのFL法では,各HABが協調してSVMモデルを構築し,すべてのユーザアソシエーションを決定できる。
論文 参考訳(メタデータ) (2020-03-19T14:18:25Z) - Multiple Access in Dynamic Cell-Free Networks: Outage Performance and
Deep Reinforcement Learning-Based Design [24.632250413917816]
将来のセルフリー(またはセルレス)無線ネットワークでは、地理的領域の多数のデバイスが同時に多数の分散アクセスポイント(AP)によって提供される。
我々は,多数のデバイスやAPが存在する場合に,ユーザの信号の共同処理の複雑さを低減するために,新しい動的セルフリーネットワークアーキテクチャを提案する。
システム設定では, DDPG-DDQN方式は, 網羅的な検索ベース設計により, 達成可能なレートの約78%を達成できることがわかった。
論文 参考訳(メタデータ) (2020-01-29T03:00:22Z) - 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。