論文の概要: Fast Grant Learning-Based Approach for Machine Type Communications with
NOMA
- arxiv url: http://arxiv.org/abs/2009.00105v1
- Date: Mon, 31 Aug 2020 21:14:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 07:43:39.655730
- Title: Fast Grant Learning-Based Approach for Machine Type Communications with
NOMA
- Title（参考訳）: 高速グラント学習に基づくNOMAを用いた機械型通信
- Authors: Manal El Tanab and Walaa Hamouda
- Abstract要約: 本稿では,非直交多重アクセス(NOMA)ベースの通信フレームワークを提案する。
提案手法は,まず,基地局(BS)に要求を送らずにデバイスをスケジュールするために,高速アップリンク付与を利用する2ステップ機構である。
- 参考スコア（独自算出の注目度）: 19.975709017224585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a non-orthogonal multiple access (NOMA)-based
communication framework that allows machine type devices (MTDs) to access the
network while avoiding congestion. The proposed technique is a 2-step mechanism
that first employs fast uplink grant to schedule the devices without sending a
request to the base station (BS). Secondly, NOMA pairing is employed in a
distributed manner to reduce signaling overhead. Due to the limited capability
of information gathering at the BS in massive scenarios, learning techniques
are best fit for such problems. Therefore, multi-arm bandit learning is adopted
to schedule the fast grant MTDs. Then, constrained random NOMA pairing is
proposed that assists in decoupling the two main challenges of fast uplink
grant schemes namely, active set prediction and optimal scheduling. Using NOMA,
we were able to significantly reduce the resource wastage due to prediction
errors. Additionally, the results show that the proposed scheme can easily
attain the impractical optimal OMA performance, in terms of the achievable
rewards, at an affordable complexity.
- Abstract（参考訳）: 本稿では,機械型デバイス (mtds) が混雑を回避しつつネットワークにアクセスすることを可能にする,非直交多重アクセス (noma) ベースの通信フレームワークを提案する。
提案手法は,まず,基地局 (BS) に要求を送らずにデバイスをスケジュールするために,高速なアップリンク付与を利用する2ステップ機構である。
次に、NOMAペアリングは信号のオーバーヘッドを低減するために分散的に使用される。
大規模シナリオにおけるBSにおける情報収集能力の制限のため、学習技術はそのような問題に最も適している。
したがって、高速付与MTDをスケジュールするためにマルチアームバンディット学習を採用する。
次に,高速なアップリンク付与スキームの2つの主な課題であるアクティブセット予測と最適スケジューリングの分離を支援する制約付きランダムノマペアリングを提案する。
NOMAを用いることで,予測エラーによるリソースの浪費を大幅に削減することができた。
さらに,提案手法は,達成可能な報酬の観点から,手頃な複雑さで,不実用的なOMA性能を容易に達成できることを示した。
関連論文リスト
- Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - High Efficiency Inference Accelerating Algorithm for NOMA-based Mobile
Edge Computing [23.88527790721402]
デバイス、エッジサーバ、クラウド間の推論モデルを分割することで、EIの性能を大幅に向上させることができる。
B5G/6Gのキーとなる技術であるNOMAは、膨大な接続と高スペクトル効率を実現することができる。
本稿では,エッジでのモデル推論を高速化する効果的な通信資源割当アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-26T02:05:52Z) - Deep Reinforcement Learning for Uplink Scheduling in NOMA-URLLC Networks [7.182684187774442]
本稿では,無線ネットワークにおけるURLLC(Ultra Reliable Low Communications)の問題に対処する。
本稿では,厳密な期限を含む非直交多重アクセス(NOMA)アップリンクURLLCスケジューリング問題を解くために,DRL(Deep Reinforcement Learning)スケジューリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-08-28T12:18:02Z) - 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) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Efficient Federated Meta-Learning over Multi-Access Wireless Networks [26.513076310183273]
フェデレーションメタラーニング(FML)は、今日のエッジラーニング分野におけるデータ制限と不均一性に対処するための、有望なパラダイムとして登場した。
本稿では,FMLアルゴリズム(NUFM)を一様でないデバイス選択方式で開発し,収束を加速する。
本稿では,マルチアクセス無線システムにおけるNUFMの統合による資源配分問題を提案する。
論文 参考訳（メタデータ） (2021-08-14T03:23:04Z) - 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) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z)
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。