論文の概要: Set-Theoretic Learning for Detection in Cell-Less C-RAN Systems

• arxiv url: http://arxiv.org/abs/2103.11456v1
• Date: Sun, 21 Mar 2021 18:19:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 10:48:33.658436
• Title: Set-Theoretic Learning for Detection in Cell-Less C-RAN Systems
• Title（参考訳）: セルレスC-RANシステムにおける集合論的学習
• Authors: Daniyal Amir Awan, Renato L.G. Cavalcante, Zoran Utkovski, Slawomir Stanczak
• Abstract要約: クラウドラジオアクセスネットワーク(C-RAN)は、フロントホールリンクを介して分散リモート無線ヘッド(RRH)を強力な中央ユニットに接続することで、セルレス操作を可能にする。 本稿では,各RRHにおいて局所的に検出を行い,その可能性情報のみをCUに伝達する学習ベースシステムを提案する。
• 参考スコア（独自算出の注目度）: 35.6828444618664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloud-radio access network (C-RAN) can enable cell-less operation by connecting distributed remote radio heads (RRHs) via fronthaul links to a powerful central unit. In conventional C-RAN, baseband signals are forwarded after quantization/ compression to the central unit for centralized processing to keep the complexity of the RRHs low. However, the limited capacity of the fronthaul is thought to be a significant bottleneck in the ability of C-RAN to support large systems (e.g. massive machine-type communications (mMTC)). Therefore, in contrast to the conventional C-RAN, we propose a learning-based system in which the detection is performed locally at each RRH and only the likelihood information is conveyed to the CU. To this end, we develop a general set-theoretic learningmethod to estimate likelihood functions. The method can be used to extend existing detection methods to the C-RAN setting.
• Abstract（参考訳）: クラウドラジオアクセスネットワーク(C-RAN)は、フロントホールリンクを介して分散リモート無線ヘッド(RRH)を強力な中央ユニットに接続することで、セルレス操作を可能にする。 従来のC-RANでは、RRHの複雑さを低く抑えるために、ベースバンド信号は量子化/圧縮後に中央ユニットに転送される。 しかし、フロントホールの限られた容量は、C-RANが大規模システム(例えば)をサポートする能力において重大なボトルネックであると考えられている。 大規模な機械型通信(mMTC)。 そこで,従来のC-RANとは対照的に,各RRHで局所的に検出を行い,その可能性情報のみをCUに伝達する学習ベースシステムを提案する。 そこで我々は,確率関数を推定する一般集合論学習手法を開発した。 この方法は既存の検出方法をC-RAN設定に拡張するために使用できる。

関連論文リスト

• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• Decentralized Learning over Wireless Networks: The Effect of Broadcast with Random Access [56.91063444859008]
  本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。 この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-12T10:32:26Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• UAV-Aided Decentralized Learning over Mesh Networks [23.612400109629544]
  分散学習は、デバイス間通信(D2D)のみに依存する機械学習(ML)モデルを協調的にトレーニングする、無線ネットワークデバイスに権限を与える。 実世界のメッシュネットワークのローカル接続は、無線ノードの通信範囲が限られており、分散学習プロトコルの効率を損なう。 本論文は,UAVトラジェクトリを最適化し,ユーザグループ間のインテリジェンスを伝達するために,UAVが逐次訪問する一連の経路ポイントとして定義する。
  論文  参考訳（メタデータ） (2022-03-02T10:39:40Z)
• A Machine Learning Framework for Distributed Functional Compression over Wireless Channels in IoT [13.385373310554327]
  IoTデバイスは巨大なデータを生成し、最先端の機械学習技術を組み合わせてサイバー物理システムに革命をもたらす。 トレーニングや推論のためにデータを中央の場所に転送することに集中する従来のクラウドベースの手法は、ネットワークリソースに大きな負担をかけます。 我々は,GMAC(Gaussian Multiple Access Channel)とAWGN(AWGN)の両方で分散関数圧縮を行う最初の機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2022-01-24T06:38:39Z)
• Two-step Machine Learning Approach for Channel Estimation with Mixed Resolution RF Chains [19.0581196881206]
  機械学習(ML)アルゴリズムを適用し,効率的なアップリンクチャネル推定手法を提案する。 第1ステップでは、条件付き生成逆転ネットワーク(cGAN)は、フル解像度RFチェーンの限られたセットから低解像度RFチェーンアンテナ要素の残りの部分まで、無線チャネルを予測します。 長期長期メモリ(LSTM)ニューラルネットワークは、低分解能RFチェーンアンテナ要素からさらなる位相情報を抽出します。
  論文  参考訳（メタデータ） (2021-01-24T12:33:54Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• Cluster-Based Cooperative Digital Over-the-Air Aggregation for Wireless Federated Edge Learning [9.179817518536545]
  空気上計算(AirComp)を用いた無線エッジにおける連合学習システムについて検討する。 このようなシステムでは、ユーザは、高速なモデルアグリゲーションを実現するために、マルチアクセスチャネル上でメッセージを同時に送信する。 本稿では,ユーザが位相補正を行い,全電力で送信する送信機の要求を緩和する改良されたディジタルAirComp方式を提案する。
  論文  参考訳（メタデータ） (2020-08-03T16:29:52Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。