論文の概要: Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2007.03165v1
• Date: Tue, 7 Jul 2020 01:49:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 19:17:05.072476
• Title: Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習によるコグニティブ無線ネットワークスループット最大化
• Authors: Kevin Shen Hoong Ong, Yang Zhang, Dusit Niyato
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.44609538048923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio Frequency powered Cognitive Radio Networks (RF-CRN) are likely to be the eyes and ears of upcoming modern networks such as Internet of Things (IoT), requiring increased decentralization and autonomous operation. To be considered autonomous, the RF-powered network entities need to make decisions locally to maximize the network throughput under the uncertainty of any network environment. However, in complex and large-scale networks, the state and action spaces are usually large, and existing Tabular Reinforcement Learning technique is unable to find the optimal state-action policy quickly. In this paper, deep reinforcement learning is proposed to overcome the mentioned shortcomings and allow a wireless gateway to derive an optimal policy to maximize network throughput. When benchmarked against advanced DQN techniques, our proposed DQN configuration offers performance speedup of up to 1.8x with good overall performance.
• Abstract（参考訳）: RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの近未来のネットワークの目と耳であり、分散化と自律的な運用を必要とする。 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。 しかし、複雑で大規模なネットワークでは、状態空間と行動空間は通常大きく、既存のTabular Reinforcement Learning技術は最適な状態行動ポリシーを素早く見つけることができない。 本稿では、上記の欠点を克服し、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。 高度なDQN技術に対してベンチマークを行うと、提案したDQN構成により、パフォーマンスが1.8倍まで向上し、全体的なパフォーマンスが向上する。

関連論文リスト

• Unlocking Metasurface Practicality for B5G Networks: AI-assisted RIS Planning [33.98674736140333]
  DRISAと呼ばれる,DRLエージェントを訓練し,次に最適なRIS配置を得る,第一種深層強化学習(DRL)ソリューションを提案する。 我々のベンチマークでは、より少ない計算時間(最大-25%)で10-dBの最小信号対雑音比(SNR)の増加と、より高密度なネットワーク展開へのスケーラビリティの向上が示されている。
  論文  参考訳（メタデータ） (2023-10-16T12:14:42Z)
• DeepMPR: Enhancing Opportunistic Routing in Wireless Networks through Multi-Agent Deep Reinforcement Learning [0.5818726765408144]
  機会的ルーティングは、無線ネットワークのブロードキャスト能力に依存する。 ブロードキャストのコストを削減するため、マルチキャストルーティングスキームはネットワークオーバーヘッドを減らすためにコネクテッド・ドミネーション・セット(CDS)またはマルチポイント・リレー・セット(MPR)を使用する。 一般的なMPR選択アルゴリズムは、ノード間の調整に依存し、大規模ネットワークには高い計算能力を必要とし、ネットワークの不確実性にチューニングすることが困難である。 本稿では,OLSR MPR選択アルゴリズムよりも優れた新しいMPRマルチキャストルーティング手法であるDeepMPRを設計するために,マルチエージェントディープ強化学習を用いる。
  論文  参考訳（メタデータ） (2023-06-16T05:53:42Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• State-Augmented Learnable Algorithms for Resource Management in Wireless Networks [124.89036526192268]
  本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。 提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
  論文  参考訳（メタデータ） (2022-07-05T18:02:54Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• 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)
• Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G Latency Sensitive Services [10.718353079920007]
  本論文では、無線アクセスネットワークスライスと無線リソース管理に対処するために、ネットワークの端でDeep Reinforcement Learningを利用する新しいアーキテクチャを提案する。 提案手法の有効性を,自律走行型ユースケースを考慮したコンピュータシミュレーションにより検討した。
  論文  参考訳（メタデータ） (2021-03-18T14:18:34Z)
• Deep Reinforcement Learning for Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities [19.723551683930776]
  エッジコントローラ(EC)と協調したフォグノードのクラスタ(FN)に基づくネットワークスライシングモデルを開発する。 クラスタ内の各サービスリクエストに対して、ECは、どのFNがタスクを実行し、エッジでローカルにリクエストをサーブするか、あるいはタスクを拒否し、それをクラウドに参照するかを決定する。 本稿では,最適スライシングポリシーを適応的に学習する深層強化学習(DRL)ソリューションを提案する。
  論文  参考訳（メタデータ） (2020-10-19T23:30:08Z)
• Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G [53.23237216769839]
  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。
  論文  参考訳（メタデータ） (2020-03-29T04:48:22Z)

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。