論文の概要: Deep Learning-based Power Control for Cell-Free Massive MIMO Networks

• arxiv url: http://arxiv.org/abs/2102.10366v1
• Date: Sat, 20 Feb 2021 14:59:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 14:41:32.835390
• Title: Deep Learning-based Power Control for Cell-Free Massive MIMO Networks
• Title（参考訳）: セルフリー大規模MIMOネットワークにおけるディープラーニングに基づく電力制御
• Authors: Nuwanthika Rajapaksha, K. B. Shashika Manosha, Nandana Rajatheva, Matti Latva-aho
• Abstract要約: セルフリー大規模マルチインプットマルチアウトプット(MIMO)システムにおける最大ユーザフェアネス問題を解決するために,電力制御アルゴリズムを提案する。 数学的最適化理論を用いて問題をモデル化し、反復アルゴリズムで解く代わりに、提案した解法はディープラーニング(DL)を用いる。 オンライン学習の段階も導入され、4～6倍高速な処理でほぼ最適性能が得られる。
• 参考スコア（独自算出の注目度）: 11.814562485294916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A deep learning (DL)-based power control algorithm that solves the max-min user fairness problem in a cell-free massive multiple-input multiple-output (MIMO) system is proposed. Max-min rate optimization problem in a cell-free massive MIMO uplink setup is formulated, where user power allocations are optimized in order to maximize the minimum user rate. Instead of modeling the problem using mathematical optimization theory, and solving it with iterative algorithms, our proposed solution approach is using DL. Specifically, we model a deep neural network (DNN) and train it in an unsupervised manner to learn the optimum user power allocations which maximize the minimum user rate. This novel unsupervised learning-based approach does not require optimal power allocations to be known during model training as in previously used supervised learning techniques, hence it has a simpler and flexible model training stage. Numerical results show that the proposed DNN achieves a performance-complexity trade-off with around 400 times faster implementation and comparable performance to the optimization-based algorithm. An online learning stage is also introduced, which results in near-optimal performance with 4-6 times faster processing.
• Abstract（参考訳）: セルレス大規模マルチインプットマルチアウトプット(MIMO)システムにおいて,最大ユーザフェアネス問題を解決するためのディープラーニング(DL)ベースの電力制御アルゴリズムを提案する。 セルフリーの大規模MIMOアップリンクセットアップにおける最大分レート最適化問題を策定し、ユーザー電力配分を最適化して最小ユーザーレートを最大化します。 数学的最適化理論を用いて問題をモデル化し、反復アルゴリズムで解く代わりに、提案手法はDLを用いている。 具体的には、ディープニューラルネットワーク(DNN)をモデル化し、教師なしの方法でトレーニングし、最小ユーザ率を最大化する最適なユーザパワー割り当てを学習する。 この新しい教師なし学習に基づくアプローチは、これまで教師なし学習技術のようにモデルトレーニング中に知っておくべき最適なパワー割り当てを必要としないため、よりシンプルで柔軟なモデルトレーニングステージを持つ。 数値計算の結果,提案手法は400倍の高速化と最適化に基づくアルゴリズムに匹敵する性能向上を実現した。 オンライン学習の段階も導入され、4～6倍高速な処理でほぼ最適性能が得られる。

関連論文リスト

• GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
  グラフ拡散型ソリューション生成(GDSG)法を提案する。 このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。 グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
  論文  参考訳（メタデータ） (2024-12-11T11:13:43Z)
• Deep Learning Based Uplink Multi-User SIMO Beamforming Design [32.00286337259923]
  5G無線通信ネットワークは、高いデータレート、広範なカバレッジ、最小レイテンシ、エネルギー効率のパフォーマンスを提供する。 計算複雑性や動的条件に適応する能力に関して、従来のアプローチには欠点がある。 本稿では,アップリンク受信型マルチユーザ入力多重出力(MU-SIMO)ビームフォーミングの設計のための,NNBFと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-28T17:04:41Z)
• 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)
• Approaching Globally Optimal Energy Efficiency in Interference Networks via Machine Learning [22.926877147296594]
  本研究は,マルチセル無線ネットワークにおけるエネルギー効率(EE)を最適化する機械学習手法を提案する。 その結果,この手法は分岐計算テストにより最適値に近いEEを達成できることが判明した。
  論文  参考訳（メタデータ） (2022-11-25T08:36:34Z)
• VeLO: Training Versatile Learned Optimizers by Scaling Up [67.90237498659397]
  私たちは、ディープラーニングの成功の背後にある同じスケーリングアプローチを活用して、汎用性を学びます。 私たちは、パラメータの更新を取り込み出力する小さなニューラルネットワークであるディープラーニングのためのインジェクションをトレーニングします。 学習したメタトレーニングコード、関連するトレインテストデータ、およびvelo-code.ioのベースラインを備えた広範なベンチマークスイートをオープンソースとして公開しています。
  論文  参考訳（メタデータ） (2022-11-17T18:39:07Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Deep Learning-Based Power Control for Uplink Cell-Free Massive MIMO Systems [31.06830781747216]
  提案手法は教師あり学習の代わりに教師なし学習に頼っている。 ディープニューラルネットワーク(DNN)は、フェーディング係数とパワー係数のマップを短時間で学習するために訓練される。 提案手法によるmMIMOシステムのスペクトル効率は,最大値最適化のための従来の最適化手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-18T03:48:54Z)
• 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)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。