論文の概要: Coordinates-based Resource Allocation Through Supervised Machine Learning

• arxiv url: http://arxiv.org/abs/2005.06509v1
• Date: Wed, 13 May 2020 18:33:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 12:49:28.796894
• Title: Coordinates-based Resource Allocation Through Supervised Machine Learning
• Title（参考訳）: 教師付き機械学習によるコーディネートに基づくリソース割り当て
• Authors: Sahar Imtiaz, Sebastian Schiessl, Georgios P. Koudouridis and James Gross
• Abstract要約: 教師付き機械学習技術を用いた座標に基づく資源配分手法を提案する。 提案手法は,4秒のトレーニング時間しか必要とせず,現実的なシステムシミュレーションと一貫して機能する。
• 参考スコア（独自算出の注目度）: 14.014514995022182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Appropriate allocation of system resources is essential for meeting the increased user-traffic demands in the next generation wireless technologies. Traditionally, the system relies on channel state information (CSI) of the users for optimizing the resource allocation, which becomes costly for fast-varying channel conditions. Considering that future wireless technologies will be based on dense network deployment, where the mobile terminals are in line-of-sight of the transmitters, the position information of terminals provides an alternative to estimate the channel condition. In this work, we propose a coordinates-based resource allocation scheme using supervised machine learning techniques, and investigate how efficiently this scheme performs in comparison to the traditional approach under various propagation conditions. We consider a simplistic system set up as a first step, where a single transmitter serves a single mobile user. The performance results show that the coordinates-based resource allocation scheme achieves a performance very close to the CSI-based scheme, even when the available coordinates of terminals are erroneous. The proposed scheme performs consistently well with realistic-system simulation, requiring only 4 s of training time, and the appropriate resource allocation is predicted in less than 90 microseconds with a learnt model of size less than 1 kB.
• Abstract（参考訳）: 次世代無線技術におけるユーザトラフィックの増大に対応するためには,システムリソースの適切な割り当てが不可欠である。 伝統的に、システムはリソース割り当てを最適化するためにユーザのチャネル状態情報(csi)に依存している。 将来の無線技術は、移動端末が送信機の直視下にある高密度ネットワーク配置に基づいており、端末の位置情報はチャネル条件を推定する代替手段を提供する。 本研究では,教師付き機械学習手法を用いたコーディネートに基づく資源割当方式を提案し,様々な伝搬条件下での従来の手法と比較して,この方式がいかに効率的に機能するかを検討する。 1つの送信機が1人のモバイルユーザーに提供する第1ステップとして設定された単純化システムを考える。 その結果、端末の利用可能な座標が誤っていても、座標ベースのリソース割当スキームはcsiベースのスキームに非常に近い性能を達成できることがわかった。 提案手法は, 実システムシミュレーションと一貫して良好に動作し, 4秒のトレーニング時間しか必要とせず, 適切なリソース割り当てを90マイクロ秒未満で予測し, 学習モデルのサイズは1kb未満である。

関連論文リスト

• Hypergame Theory for Decentralized Resource Allocation in Multi-user Semantic Communications [60.63472821600567]
  マルチユーザSCシステムにおける分散コンピューティングと通信資源割り当てのための新しいフレームワークを提案する。 通信資源と計算資源を効率的に割り当てることの課題は、Stackelbergハイパーゲーム理論の適用によって解決される。 シミュレーションの結果,提案したStackelbergハイパーゲームは通信資源と計算資源を効率的に利用することができることがわかった。
  論文  参考訳（メタデータ） (2024-09-26T15:55:59Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• Distributed Resource Allocation for URLLC in IIoT Scenarios: A Multi-Armed Bandit Approach [17.24490186427519]
  本稿では,将来の6G産業用IoT(Industrial Internet of Things, IIoT)ネットワークにおいて,機械間ウルトラ信頼性低レイテンシ通信(URLLC)を実現するという課題に対処する。 本研究では,ユーザ機器がアリンク無線リソースを自律的に選択する機械学習に基づく,分散型ユーザ中心方式について検討する。 シミュレーションを用いて,URLLCを念頭に置いてリソースを割り当てる上で,MAB(Multi-Armed Bandit)アプローチが望ましい手法であることを実証した。
  論文  参考訳（メタデータ） (2022-11-22T11:50:05Z)
• A Learning-Based Fast Uplink Grant for Massive IoT via Support Vector Machines and Long Short-Term Memory [8.864453148536057]
  3IoTは、レイテンシを低減し、スマートインターネット・オブ・シング(mMTC)アプリケーションの信頼性を高めるために、高速アップリンク・アロケーション(FUG)を使用する必要性を導入した。 サポートマシンスケジューラ(SVM)に基づく新しいFUGアロケーションを提案する。 第2に、LSTMアーキテクチャは、予測エラーを克服するためにトラフィック予測と補正技術に使用される。
  論文  参考訳（メタデータ） (2021-08-02T11:33:02Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Similarity-based prediction for channel mapping and user positioning [0.0]
  無線ネットワークでは、アップリンクチャネル測定のみに基づくモバイルユーザーの情報収集が興味深い課題である。 本稿では,これらのタスクを統一的に処理する教師あり機械学習手法を提案する。 これは、ベースステーションが操作中に簡単に取得できるラベル付きデータベースに依存している。
  論文  参考訳（メタデータ） (2020-12-02T11:30:51Z)
• Deep Learning-based Resource Allocation For Device-to-Device Communication [66.74874646973593]
  デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。 任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。 シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
  論文  参考訳（メタデータ） (2020-11-25T14:19:23Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• Fast-Fourier-Forecasting Resource Utilisation in Distributed Systems [10.219353459640137]
  本稿では,分散コンピューティングシステムのための通信効率の高いデータ収集機構を提案する。 また,複雑なGated Recurrent Unitを用いて資源利用予測を行うディープラーニングアーキテクチャを提案する。 提案手法は,資源供給フレームワークで発生する課題を解決し,他の予測問題にも適用できる。
  論文  参考訳（メタデータ） (2020-01-13T14:31:33Z)

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。