論文の概要: A Machine Learning based Framework for KPI Maximization in Emerging
Networks using Mobility Parameters
- arxiv url: http://arxiv.org/abs/2005.01474v1
- Date: Mon, 4 May 2020 13:28:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 01:31:48.070725
- Title: A Machine Learning based Framework for KPI Maximization in Emerging
Networks using Mobility Parameters
- Title(参考訳): モビリティパラメータを用いた新興ネットワークにおけるkpi最大化のための機械学習フレームワーク
- Authors: Joel Shodamola, Usama Masood, Marvin Manalastas, Ali Imran
- Abstract要約: 現在のLTEネットワークは、多くの設定と最適化パラメータに直面している。
5Gでは、これらのCOPの数はサイト当たり2000に達すると予測されている。
本稿では,2つの関連するCOPの最適組み合わせを発見するための手法と組み合わせた機械学習ベースのフレームワークを提案する。
- 参考スコア(独自算出の注目度): 3.6671455337053573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current LTE network is faced with a plethora of Configuration and
Optimization Parameters (COPs), both hard and soft, that are adjusted manually
to manage the network and provide better Quality of Experience (QoE). With 5G
in view, the number of these COPs are expected to reach 2000 per site, making
their manual tuning for finding the optimal combination of these parameters, an
impossible fleet. Alongside these thousands of COPs is the anticipated network
densification in emerging networks which exacerbates the burden of the network
operators in managing and optimizing the network. Hence, we propose a machine
learning-based framework combined with a heuristic technique to discover the
optimal combination of two pertinent COPs used in mobility, Cell Individual
Offset (CIO) and Handover Margin (HOM), that maximizes a specific Key
Performance Indicator (KPI) such as mean Signal to Interference and Noise Ratio
(SINR) of all the connected users. The first part of the framework leverages
the power of machine learning to predict the KPI of interest given several
different combinations of CIO and HOM. The resulting predictions are then fed
into Genetic Algorithm (GA) which searches for the best combination of the two
mentioned parameters that yield the maximum mean SINR for all users.
Performance of the framework is also evaluated using several machine learning
techniques, with CatBoost algorithm yielding the best prediction performance.
Meanwhile, GA is able to reveal the optimal parameter setting combination more
efficiently and with three orders of magnitude faster convergence time in
comparison to brute force approach.
- Abstract(参考訳): 現在のLTEネットワークには,ネットワーク管理のために手動で調整し,QoE(Quality of Experience)を改善するハードとソフトの2つの構成最適化パラメータ(COP)が多数含まれている。
5Gでは、これらのCOPの数はサイト当たり2000点に達することが期待されており、これらのパラメータの最適な組み合わせを見つけるための手動チューニングは不可能である。
これら数千のCOPに加えて、ネットワークの管理と最適化においてネットワークオペレーターの負担が増大する新興ネットワークのネットワーク密度化が期待されている。
そこで本研究では,移動に使用する2つの関連するCOP(Cell Individual Offset,CIO)とHandover Margin(Handover Margin,HOM)の最適な組み合わせを見つけるための,ヒューリスティックな手法と組み合わせた機械学習ベースのフレームワークを提案する。
フレームワークの最初の部分は、CIOとHOMのいくつかの異なる組み合わせによって、機械学習のパワーを活用して、関心のKPIを予測する。
得られた予測結果をGA(Genematic Algorithm)に入力し、すべてのユーザに対して最大SINRを出力する2つのパラメータの最適な組み合わせを探索する。
フレームワークのパフォーマンスも、いくつかの機械学習技術を用いて評価され、CatBoostアルゴリズムが最高の予測性能を得る。
一方、GAは最適パラメータ設定の組み合わせをより効率的に、ブルート力アプローチと比較して3桁の収束時間で明らかにすることができる。
関連論文リスト
- Improved Optimization for the Neural-network Quantum States and Tests on the Chromium Dimer [11.985673663540688]
ニューラルネットワーク量子状態(NQS)は、かなり高度な波動関数アンザッツ研究を持っている。
この研究は、NQSを用いたVMC最適化の計算要求を減らすために、3つのアルゴリズム拡張を導入する。
論文 参考訳(メタデータ) (2024-04-14T15:07:57Z) - Parameter Optimization with Conscious Allocation (POCA) [4.478575931884855]
ハイパーバンドベースの機械学習アプローチが最も効果的である。
私たちは出席します。
新人
Conscious Allocation (POCA) は、入力を適応的に割り当てるハイパーバンドベースのアルゴリズムである。
ハイパーパラメータの構成に予算を割り当てます
POCAは、両方の設定で強い設定を高速に見つける。
論文 参考訳(メタデータ) (2023-12-29T00:13:55Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-04T01:47:37Z) - A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting
Multiple Access [53.191806757701215]
本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。
コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。
数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
論文 参考訳(メタデータ) (2023-07-17T20:31:41Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳(メタデータ) (2023-01-20T17:06:34Z) - Neighbor Auto-Grouping Graph Neural Networks for Handover Parameter
Configuration in Cellular Network [47.29123145759976]
ハンドオーバパラメータ設定のための学習ベースのフレームワークを提案する。
まず、ネットワークが異なるネットワーク状態とパラメータ値にどのように反応するかを模倣する新しいアプローチを提案する。
パラメータ設定の段階では、グローバルな最適化問題を解決する代わりに、局所的な多目的最適化戦略を設計する。
論文 参考訳(メタデータ) (2022-12-29T18:51:36Z) - Coverage and Capacity Optimization in STAR-RISs Assisted Networks: A
Machine Learning Approach [102.00221938474344]
再構成可能なインテリジェントサーフェス (STAR-RIS) アシストネットワークを同時に送信および反射するカバレッジとキャパシティ最適化のための新しいモデルを提案する。
損失関数ベースの更新戦略はコアポイントであり、各更新時にmin-normソルバによってカバレッジとキャパシティの両方の損失関数の重みを計算することができる。
解析結果から,提案手法は固定重みに基づくMOアルゴリズムよりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-04-13T13:52:22Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳(メタデータ) (2022-03-26T20:37:14Z) - DC and SA: Robust and Efficient Hyperparameter Optimization of
Multi-subnetwork Deep Learning Models [0.974672460306765]
マルチワークで構築されたモジュールアーキテクチャを用いたディープラーニングモデルの最適化のための2つの新しい戦略を提案する。
提案手法は最適化効率を最大23.62倍に向上し,最終性能は分類精度3.5%,回帰率4.4MSEに向上した。
論文 参考訳(メタデータ) (2022-02-24T00:29:05Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳(メタデータ) (2021-01-02T15:21:08Z)
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。