Fugu-MT 論文翻訳(概要): Hybrid Beamforming for mmWave MU-MISO Systems Exploiting Multi-agent Deep Reinforcement Learning

論文の概要: Hybrid Beamforming for mmWave MU-MISO Systems Exploiting Multi-agent Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2102.00735v1
Date: Mon, 1 Feb 2021 10:04:20 GMT
ステータス: 処理完了
システム内更新日: 2021-02-02 22:12:05.587554
Title: Hybrid Beamforming for mmWave MU-MISO Systems Exploiting Multi-agent Deep Reinforcement Learning
Title（参考訳）: マルチエージェントDeep Reinforcement Learningを用いたmmWave MU-MISOシステムのハイブリッドビームフォーミング
Authors: Qisheng Wang, Xiao Li, Shi Jin, and Yijiain Chen
Abstract要約: DRLの探索効率問題を解決するために,マルチエージェントDRL法を提案する。提案手法では,優先されたリプレイバッファとより情報的な報酬を適用し,コンバージェンスを高速化する。
参考スコア（独自算出の注目度）: 27.29682248242345
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this letter, we investigate the hybrid beamforming based on deep reinforcement learning (DRL) for millimeter Wave (mmWave) multi-user (MU) multiple-input-single-output (MISO) system. A multi-agent DRL method is proposed to solve the exploration efficiency problem in DRL. In the proposed method, prioritized replay buffer and more informative reward are applied to accelerate the convergence. Simulation results show that the proposed architecture achieves higher spectral efficiency and less time consumption than the benchmarks, thus is more suitable for practical applications.
Abstract（参考訳）: 本書では、ミリ波(mmWave)マルチユーザ(MU)マルチインプットシングル出力(MISO)システムのための深層補強学習(DRL)に基づくハイブリッドビームフォーミングについて検討する。 DRLの探索効率問題を解決するためにマルチエージェントDRL法を提案する。提案手法では,優先されたリプレイバッファとより情報的な報酬を適用し,コンバージェンスを高速化する。シミュレーションの結果,提案アーキテクチャはベンチマークよりもスペクトル効率が高く,時間消費の少ないため,実用化に適していることがわかった。

関連論文リスト

Downlink MIMO Channel Estimation from Bits: Recoverability and Algorithm [47.7091447096969]
主な課題は、ユーザ機器(UE)からの限られたフィードバックから基地局(BS)のダウンリンクチャネル状態情報(CSI)を取得することである。本稿では、UE側で圧縮とガウスディザリングに基づく量子化戦略を採用し、BS側で最大極大推定器(MLE)を定式化する単純なフィードバックフレームワークを提案する。このアルゴリズムは、高次高調波探索(HR)ソルバをサブルーチンとして統合するために慎重に設計されており、この難しいMLE問題に効果的に取り組む鍵であることが判明した。
論文参考訳（メタデータ） (2024-11-25T02:15:01Z)
Off-Policy RL Algorithms Can be Sample-Efficient for Continuous Control via Sample Multiple Reuse [28.29966904455002]
固定されたサンプルバッチを複数回更新することで、外部のRLエージェントをトレーニングすることを提案する。我々は,本手法のサンプル多重再利用(SMR)を命名し,SMRを用いたQ-ラーニングの特性を示す。 SMRは、評価されたタスクのほとんどにわたって、ベースメソッドのサンプル効率を大幅に向上させる。
論文参考訳（メタデータ） (2023-05-29T03:25:22Z)
Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
論文参考訳（メタデータ） (2023-05-25T15:46:20Z)
Deep Learning for Hybrid Beamforming with Finite Feedback in GSM Aided mmWave MIMO Systems [9.320559153486885]
ハイブリッドビームフォーミングはミリ波多重出力(MIMO)システムにおいて重要な技術として広く認識されている。ディープラーニングの助けを借りて、GSMハイブリッドビームフォーマは、教師なし学習をエンドツーエンドで設計する。
論文参考訳（メタデータ） (2023-02-15T11:42:43Z)
Deep Reinforcement Learning Based on Location-Aware Imitation Environment for RIS-Aided mmWave MIMO Systems [17.713210541836155]
本文は, 接合ビームフォーミング設計のための位置認識模倣環境に基づく新しい深部強化学習(DRL)アルゴリズムを提案する。具体的には、ユーザの位置とmmWaveチャネルの幾何学的関係に基づいて、伝送環境を模倣するニューラルネットワークを設計する。
論文参考訳（メタデータ） (2022-05-18T08:25:36Z)
Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文参考訳（メタデータ） (2022-03-26T20:37:14Z)
LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文参考訳（メタデータ） (2021-02-05T04:26:05Z)
Unsupervised Deep Learning for Massive MIMO Hybrid Beamforming [1.290382979353427]
ハイブリッドビームフォーミングは、MIMO(Multiple-input multiple-output)システムの複雑さとコストを低減するための有望な技術である。本稿では,ハイブリッドビームフォーミングを設計するためのRSSIに基づく非教師なし深層学習手法を提案する。
論文参考訳（メタデータ） (2020-06-30T18:10:36Z)
Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文参考訳（メタデータ） (2020-06-03T12:18:57Z)
RSSI-Based Hybrid Beamforming Design with Deep Learning [4.037009782513272]
ハイブリッドビームフォーミングは、5Gミリ波通信の有望な技術である。実践的なマルチインプットマルチアウトプットシステムでは実装が困難である。適切な学習と関連する最適化を行うために,ディープラーニング手法を提案する。
論文参考訳（メタデータ） (2020-03-12T22:22:49Z)
Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文参考訳（メタデータ） (2020-02-24T22:18:54Z)

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。