論文の概要: Deep Reinforcement Learning for Dynamic Spectrum Sharing of LTE and NR

• arxiv url: http://arxiv.org/abs/2102.11176v1
• Date: Mon, 22 Feb 2021 16:56:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 18:57:01.222049
• Title: Deep Reinforcement Learning for Dynamic Spectrum Sharing of LTE and NR
• Title（参考訳）: LTEとNRの動的スペクトル共有のための深部強化学習
• Authors: Ursula Challita, David Sandberg
• Abstract要約: 4Gと5Gシステム間の積極的な動的スペクトル共有スキームを提案する。 モンテカルロ木探索に基づく深層強化学習アルゴリズムを提案する。 提案手法は,各サブフレームにおいて欲張りではなく,将来の状態を考慮しながら行動を起こすことができることを示す。
• 参考スコア（独自算出の注目度）: 10.210703513367864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, a proactive dynamic spectrum sharing scheme between 4G and 5G systems is proposed. In particular, a controller decides on the resource split between NR and LTE every subframe while accounting for future network states such as high interference subframes and multimedia broadcast single frequency network (MBSFN) subframes. To solve this problem, a deep reinforcement learning (RL) algorithm based on Monte Carlo Tree Search (MCTS) is proposed. The introduced deep RL architecture is trained offline whereby the controller predicts a sequence of future states of the wireless access network by simulating hypothetical bandwidth splits over time starting from the current network state. The action sequence resulting in the best reward is then assigned. This is realized by predicting the quantities most directly relevant to planning, i.e., the reward, the action probabilities, and the value for each network state. Simulation results show that the proposed scheme is able to take actions while accounting for future states instead of being greedy in each subframe. The results also show that the proposed framework improves system-level performance.
• Abstract（参考訳）: 本稿では, 4G 系と 5G 系の動的スペクトル共有方式を提案する。 特に、コントローラは、高干渉サブフレームやマルチメディア放送単一周波数ネットワーク(MBSFN)サブフレームなどの将来のネットワーク状態を考慮しながら、NRとLTEのサブフレーム毎にリソース分割を決定する。 この問題を解決するために、モンテカルロツリー探索(MCTS)に基づく深層強化学習(RL)アルゴリズムが提案されている。 導入したディープRLアーキテクチャはオフラインでトレーニングされ、コントローラは現在のネットワーク状態から始まる時間経過とともに仮説的帯域分割をシミュレートすることで、無線アクセスネットワークの将来状態のシーケンスを予測する。 その後、最高の報酬をもたらすアクションシーケンスが割り当てられます。 これは、計画に最も直接関連する量、すなわち報酬、行動確率、および各ネットワーク状態の価値を予測することによって実現される。 シミュレーションの結果,提案手法は,各サブフレームのグリーディではなく,将来の状態を考慮しつつ行動を取ることができることがわかった。 また,提案フレームワークによりシステムレベルの性能が向上することを示す。

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)
• Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
  我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。 最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-02T01:36:13Z)
• Unsupervised Graph-based Learning Method for Sub-band Allocation in 6G Subnetworks [2.0583251142940377]
  グラフベース学習を用いた無線ネットワークにおける周波数サブバンド割り当てのための教師なし手法を提案する。 サブネットワーク配置を競合グラフとしてモデル化し,グラフカラー化とPottsモデルにインスパイアされた教師なし学習アプローチを提案し,サブバンド割り当てを最適化する。
  論文  参考訳（メタデータ） (2023-12-13T12:57:55Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Properties and Potential Applications of Random Functional-Linked Types of Neural Networks [81.56822938033119]
  ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。 本稿では周波数領域の観点からRFLNNの特性について考察する。 本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-04-03T13:25:22Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Deep Reinforcement Learning in mmW-NOMA: Joint Power Allocation and Hybrid Beamforming [0.0]
  ミリ波(mmW)周波数帯域における非直交多重アクセス(NOMA)アプローチにより、データレートの高要求が保証される。 mmW-NOMAシステムの連系電力配分とハイブリッドビームフォーミングは、機械学習と制御理論のアプローチの最近の進歩によってもたらされる。
  論文  参考訳（メタデータ） (2022-05-13T07:55:48Z)
• Switching in the Rain: Predictive Wireless x-haul Network Reconfiguration [17.891837432766764]
  無線x-haulネットワークは、超高速データレートと超低レイテンシをサポートするために、4Gおよび/または5Gベースステーション間のマイクロ波およびミリ波リンクに依存している。 降水は信号の減衰を引き起こし、ネットワーク性能を著しく低下させる。 本研究では,履歴データを用いた予測ネットワーク再構成フレームワークを開発し,各リンクの将来の状態を予測し,瞬時障害に備えてネットワークを前もって準備する。
  論文  参考訳（メタデータ） (2022-03-07T13:40:38Z)
• Equilibrated Zeroth-Order Unrolled Deep Networks for Accelerated MRI [14.586911990418624]
  近年,モデル駆動型ディープラーニングは正規化モデルの反復アルゴリズムをカスケードネットワークに展開している。 理論上、一階情報が置換されたネットワークモジュールと一致するような機能正規化器は必ずしも存在しない。 本稿では,ネットワークアンローリングにおけるセーフガード手法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T09:47:19Z)
• ANT: Learning Accurate Network Throughput for Better Adaptive Video Streaming [20.544139447901113]
  アダプティブビットレート(ABR)決定は、ビデオストリーミングアプリケーションで満足のいくQoE(Quality of Experience)を確保するために重要な役割を果たします。 本稿では、ネットワークスループットダイナミクスの全スペクトルを特徴付けるためにANT(a.k.a., Accurate Network Throughput)モデルを学ぶことを提案する。 その結果,現在のPensiveやOboeと比較して,ユーザQoEを65.5%,31.3%向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:15:53Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。