論文の概要: Deep Reinforcement Learning for Resource Constrained Multiclass
Scheduling in Wireless Networks
- arxiv url: http://arxiv.org/abs/2011.13634v3
- Date: Thu, 31 Mar 2022 10:34:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 02:55:25.830095
- Title: Deep Reinforcement Learning for Resource Constrained Multiclass
Scheduling in Wireless Networks
- Title（参考訳）: 無線ネットワークにおける資源制約付きマルチクラススケジューリングのための深層強化学習
- Authors: Apostolos Avranas (EURECOM), Marios Kountouris (EURECOM), Philippe
Ciblat (T\'el\'ecom Paris)
- Abstract要約: セットアップでは、ランダムに到着するサービス要求に対応するために、利用可能な限られた帯域幅のリソースを割り当てます。
本稿では,Deep Setsと組み合わせた分布型Deep Deterministic Policy Gradient (DDPG)アルゴリズムを提案する。
提案アルゴリズムは, 合成データと実データの両方で検証し, 従来手法に対する一貫した利得を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The problem of resource constrained scheduling in a dynamic and heterogeneous
wireless setting is considered here. In our setup, the available limited
bandwidth resources are allocated in order to serve randomly arriving service
demands, which in turn belong to different classes in terms of payload data
requirement, delay tolerance, and importance/priority. In addition to
heterogeneous traffic, another major challenge stems from random service rates
due to time-varying wireless communication channels. Various approaches for
scheduling and resource allocation can be used, ranging from simple greedy
heuristics and constrained optimization to combinatorics. Those methods are
tailored to specific network or application configuration and are usually
suboptimal. To this purpose, we resort to deep reinforcement learning (DRL) and
propose a distributional Deep Deterministic Policy Gradient (DDPG) algorithm
combined with Deep Sets to tackle the aforementioned problem. Furthermore, we
present a novel way to use a Dueling Network, which leads to further
performance improvement. Our proposed algorithm is tested on both synthetic and
real data, showing consistent gains against state-of-the-art conventional
methods from combinatorics, optimization, and scheduling metrics.
- Abstract（参考訳）: 動的・異種無線環境における資源制約スケジューリングの問題点を考察する。
セットアップでは、利用可能な限られた帯域幅のリソースを割り当て、ランダムに到着するサービス要求を処理し、ペイロードデータ要求、遅延耐性、重要/優先性の観点から異なるクラスに属します。
不均一なトラフィックに加えて、別の大きな課題は、時間によって異なる無線通信チャネルによるランダムなサービスレートに起因する。
スケジューリングとリソース割り当ての様々なアプローチは、単純な欲望のヒューリスティックや制約付き最適化からコンビネータまで多岐にわたる。
これらのメソッドは特定のネットワークやアプリケーションの設定に合わせて調整され、通常は準最適である。
そこで本研究では,深層強化学習 (drl) に着目し,分布型深層決定主義的政策勾配 (ddpg) アルゴリズムと深層集合を組み合わせることで,この問題に取り組む。
さらに,新たなデュエルネットワークの利用方法を提案することにより,さらなるパフォーマンス向上が期待できる。
提案アルゴリズムは, 合成データと実データの両方で検証し, 組込み, 最適化, スケジューリングのメトリクスから, 最先端の手法に対して一貫した利得を示す。
関連論文リスト
- Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。
HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2024-06-25T07:42:30Z) - Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB
networks [0.0]
統合アクセスとバックハウリング(IRL)は、将来の世代におけるより高いデータレートに対する前例のない要求を満たすための、実行可能なアプローチである。
本稿では,分数ノードに付随する巨大なアクション空間の問題を,Deep Q-Learning Networkを用いて処理する方法を示す。
論文 参考訳（メタデータ） (2023-08-31T21:30:25Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳（メタデータ） (2023-05-02T07:41:16Z) - 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) - Learning Resilient Radio Resource Management Policies with Graph Neural
Networks [124.89036526192268]
我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。
有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。
このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
論文 参考訳（メタデータ） (2022-03-07T19:40:39Z) - Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless
Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。
本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T18:24:47Z) - A Heuristically Assisted Deep Reinforcement Learning Approach for
Network Slice Placement [0.7885276250519428]
本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。
提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
論文 参考訳（メタデータ） (2021-05-14T10:04:17Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - Dynamic RAN Slicing for Service-Oriented Vehicular Networks via
Constrained Learning [40.5603189901241]
品質の異なる車両用インターネット(IoV)サービスにおける無線アクセスネットワーク(RAN)スライシング問題について検討する。
無線スペクトルと演算資源を動的に割り当てる動的RANスライシングフレームワークを提案する。
RAWSは,ベンチマークと比較すると,要求を高い確率で満たしながら,システムコストを効果的に削減できることを示す。
論文 参考訳（メタデータ） (2020-12-03T15:08:38Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
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。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z)
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。