論文の概要: Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications

• arxiv url: http://arxiv.org/abs/2007.13709v2
• Date: Sat, 17 Apr 2021 18:27:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 11:37:20.255367
• Title: Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications
• Title（参考訳）: 自由空間光通信におけるモデル自由深層学習による資源配分
• Authors: Zhan Gao and Mark Eisen and Alejandro Ribeiro
• Abstract要約: 本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 119.81868223344173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the general problem of resource allocation for mitigating channel fading effects in Free Space Optical (FSO) communications. The resource allocation problem is modeled as the constrained stochastic optimization framework, which covers a variety of FSO scenarios involving power adaptation, relay selection and their joint allocation. Under this framework, we propose two algorithms that solve FSO resource allocation problems. We first present the Stochastic Dual Gradient (SDG) algorithm that is shown to solve the problem exactly by exploiting the strong duality but whose implementation necessarily requires explicit and accurate system models. As an alternative we present the Primal-Dual Deep Learning (PDDL) algorithm based on the SDG algorithm, which parametrizes the resource allocation policy with Deep Neural Networks (DNNs) and optimizes the latter via a primal-dual method. The parametrized resource allocation problem incurs only a small loss of optimality due to the strong representational power of DNNs, and can be moreover implemented without knowledge of system models. A wide set of numerical experiments are performed to corroborate the proposed algorithms in FSO resource allocation problems. We demonstrate their superior performance and computational efficiency compared to the baseline methods in both continuous power allocation and binary relay selection settings.
• Abstract（参考訳）: 本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 資源配分問題は制約付き確率最適化フレームワークとしてモデル化され、電力適応、リレー選択、およびそれらの共同割り当てを含む様々なFSOシナリオをカバーする。 本稿では,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。 まず,確率的双対勾配 (sdg) アルゴリズムを提案する。このアルゴリズムは強双対性を生かして問題を正確に解決するが,その実装には明示的かつ正確なシステムモデルが必要である。 そこで,本研究では,dnn(deep neural network)を用いて資源割当ポリシをパラメータ化し,その最適化を行うsdgアルゴリズムに基づくプライマル・デュアル・ディープ・ラーニング(pddl)アルゴリズムを提案する。 パラメータ化資源割り当て問題は,DNNの強い表現力による最適性の損失を少なく抑え,システムモデルの知識を必要とせずに実装することができる。 提案したアルゴリズムをFSO資源割り当て問題に相関させるため, 幅広い数値実験を行った。 本研究では,連続電力割り当てとバイナリリレー選択設定の両方において,ベースライン方式と比較して性能と計算効率が優れていることを示す。

関連論文リスト

• Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
  Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。 これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。 我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
  論文  参考訳（メタデータ） (2024-11-03T07:01:13Z)
• Joint Optimization of Resource Allocation and Data Selection for Fast and Cost-Efficient Federated Edge Learning [9.460012379815423]
  FEEL(FEEL)を導入したワイヤレスエッジでの学習 本稿では,効率的なシステム,連合型共同資源割り当てとデータ選択を提案する。 共同資源配分とデータ選択という提案手法の優位性を検証した。
  論文  参考訳（メタデータ） (2024-07-03T08:03:59Z)
• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• Two-Stage ML-Guided Decision Rules for Sequential Decision Making under Uncertainty [55.06411438416805]
  SDMU (Sequential Decision Making Under Uncertainty) は、エネルギー、金融、サプライチェーンといった多くの領域において、ユビキタスである。 いくつかのSDMUは、自然にマルチステージ問題(MSP)としてモデル化されているが、結果として得られる最適化は、計算の観点からは明らかに困難である。 本稿では,2段階の一般決定規則(TS-GDR)を導入し,線形関数を超えて政策空間を一般化する手法を提案する。 TS-GDRの有効性は、TS-LDR(Two-Stage Deep Decision Rules)と呼ばれるディープリカレントニューラルネットワークを用いたインスタンス化によって実証される。
  論文  参考訳（メタデータ） (2024-05-23T18:19:47Z)
• Federated Reinforcement Learning for Resource Allocation in V2X Networks [46.6256432514037]
  資源配分はV2Xネットワークの性能に大きな影響を及ぼす。 リソース割り当てのための既存のアルゴリズムのほとんどは、最適化や機械学習に基づいている。 本稿では,連合型強化学習の枠組みの下で,V2Xネットワークにおける資源配分について検討する。
  論文  参考訳（メタデータ） (2023-10-15T15:26:54Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Graph Reinforcement Learning for Radio Resource Allocation [13.290246410488727]
  我々は,無線通信における多くの問題に固有の2種類のリレーショナル先行性を活用するために,グラフ強化学習を利用する。 グラフ強化学習フレームワークを体系的に設計するために,まず状態行列を状態グラフに変換する方法を提案する。 次に,所望の置換特性を満たすグラフニューラルネットワークの汎用手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T08:02:54Z)
• Evolutionary Optimization for Proactive and Dynamic Computing Resource Allocation in Open Radio Access Network [4.9711284100869815]
  Open Radio Access Network (O-RAN) におけるコンピュータリソースの自動割り当てを実現するためのインテリジェントな技術が求められている このリソース割り当て問題を解決するための既存の問題定式化は、リソースのキャパシティユーティリティを不適切な方法で定義しているため不適切である。 問題をよりよく記述した新しい定式化が提案されている。
  論文  参考訳（メタデータ） (2022-01-12T08:52:04Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。