論文の概要: Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA

• arxiv url: http://arxiv.org/abs/2101.00464v2
• Date: Thu, 11 Mar 2021 14:44:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 07:14:57.307426
• Title: Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA
• Title（参考訳）: NOMAを用いたマルチセルIoTネットワークにおけるデータ駆動ランダムアクセス最適化
• Authors: Sami Khairy, Prasanna Balaprakash, Lin X. Cai, H. Vincent Poor
• Abstract要約: 非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
• 参考スコア（独自算出の注目度）: 78.60275748518589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-orthogonal multiple access (NOMA) is a key technology to enable massive machine type communications (mMTC) in 5G networks and beyond. In this paper, NOMA is applied to improve the random access efficiency in high-density spatially-distributed multi-cell wireless IoT networks, where IoT devices contend for accessing the shared wireless channel using an adaptive p-persistent slotted Aloha protocol. To enable a capacity-optimal network, a novel formulation of random channel access management is proposed, in which the transmission probability of each IoT device is tuned to maximize the geometric mean of users' expected capacity. It is shown that the network optimization objective is high dimensional and mathematically intractable, yet it admits favourable mathematical properties that enable the design of efficient data-driven algorithmic solutions which do not require a priori knowledge of the channel model or network topology. A centralized model-based algorithm and a scalable distributed model-free algorithm, are proposed to optimally tune the transmission probabilities of IoT devices and attain the maximum capacity. The convergence of the proposed algorithms to the optimal solution is further established based on convex optimization and game-theoretic analysis. Extensive simulations demonstrate the merits of the novel formulation and the efficacy of the proposed algorithms.
• Abstract（参考訳）: 非直交多重アクセス(Noma)は、5Gネットワーク以降で大規模な機械型通信(mMTC)を可能にする重要な技術である。 本稿では,iotデバイスがアダプティブp-persistent slotted alohaプロトコルを用いて共有無線チャネルへのアクセスを競う高密度な空間分散型マルチセル無線iotネットワークにおけるランダムアクセス効率を向上させるためにnomaを適用した。 キャパシティ最適化ネットワークを実現するために,各IoTデバイスの伝送確率を調整し,ユーザの期待するキャパシティの幾何学平均を最大化する,ランダムチャネルアクセス管理の新しい定式化を提案する。 ネットワーク最適化の目標は高次元で数学的に難解であるが、チャネルモデルやネットワークトポロジーの事前知識を必要としない効率的なデータ駆動型アルゴリズムソリューションの設計を可能にする、好適な数学的性質が認められている。 集中型モデルベースアルゴリズムとスケーラブルな分散モデルフリーアルゴリズムは、IoTデバイスの送信確率を最適に調整し、最大容量を達成するために提案される。 提案アルゴリズムの最適解への収束は、凸最適化とゲーム理論解析に基づいてさらに確立される。 広範なシミュレーションは、新しい定式化の利点と提案アルゴリズムの有効性を示している。

関連論文リスト

• 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)
• Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
  効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。 本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
  論文  参考訳（メタデータ） (2023-10-08T08:55:03Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Coverage and Capacity Optimization in STAR-RISs Assisted Networks: A Machine Learning Approach [102.00221938474344]
  再構成可能なインテリジェントサーフェス (STAR-RIS) アシストネットワークを同時に送信および反射するカバレッジとキャパシティ最適化のための新しいモデルを提案する。 損失関数ベースの更新戦略はコアポイントであり、各更新時にmin-normソルバによってカバレッジとキャパシティの両方の損失関数の重みを計算することができる。 解析結果から,提案手法は固定重みに基づくMOアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T13:52:22Z)
• Fast and computationally efficient generative adversarial network algorithm for unmanned aerial vehicle-based network coverage optimization [1.2853186701496802]
  移動ネットワークにおける動的な交通需要の課題は、無人航空機をベースとした移動セルに対処されている。 将来,無人航空機の膨大な可能性を考えると,カバー範囲最適化のための新しいアルゴリズムを提案する。 提案アルゴリズムは,一意の多層和プーリング損失関数を持つ条件付き生成逆ニューラルネットワークに基づいて実装された。
  論文  参考訳（メタデータ） (2022-03-25T12:13:21Z)
• Algorithm Unrolling for Massive Access via Deep Neural Network with Theoretical Guarantee [30.86806523281873]
  大規模アクセスはIoT(Internet of Things)ネットワークにおける重要な設計課題である。 我々は、マルチアンテナベースステーション(BS)と多数の単一アンテナIoTデバイスを備えたIoTネットワークの無許可アップリンク伝送を検討する。 本稿では,低計算複雑性と高ロバスト性を実現するために,ディープニューラルネットワークに基づく新しいアルゴリズムアンローリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-19T05:23:05Z)
• Entanglement Rate Optimization in Heterogeneous Quantum Communication Networks [79.8886946157912]
  量子通信ネットワークは、将来6G以降の通信ネットワークにおいて重要な構成要素となる可能性のある、有望な技術として登場しつつある。 近年の進歩は、実際の量子ハードウェアによる小規模および大規模量子通信ネットワークの展開に繋がった。 量子ネットワークにおいて、絡み合いは異なるノード間でのデータ転送を可能にする鍵となるリソースである。
  論文  参考訳（メタデータ） (2021-05-30T11:34:23Z)
• 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)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。