論文の概要: Distributed Deep Reinforcement Learning for Collaborative Spectrum Sharing

• arxiv url: http://arxiv.org/abs/2104.02059v1
• Date: Tue, 6 Apr 2021 04:33:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 20:28:24.422010
• Title: Distributed Deep Reinforcement Learning for Collaborative Spectrum Sharing
• Title（参考訳）: 共同スペクトル共有のための分散深層強化学習
• Authors: Pranav M. Pawar, Amir Leshem
• Abstract要約: 本稿では,中央管理を伴わない分散スペクトル協調の問題点について述べる。 ゲーム理論の洞察と深層Q-ラーニングを組み合わせることで,スペクトル協調問題に対する新たな最適解を提供する。
• 参考スコア（独自算出の注目度）: 29.23509739013885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spectrum sharing among users is a fundamental problem in the management of any wireless network. In this paper, we discuss the problem of distributed spectrum collaboration without central management under general unknown channels. Since the cost of communication, coordination and control is rapidly increasing with the number of devices and the expanding bandwidth used there is an obvious need to develop distributed techniques for spectrum collaboration where no explicit signaling is used. In this paper, we combine game-theoretic insights with deep Q-learning to provide a novel asymptotically optimal solution to the spectrum collaboration problem. We propose a deterministic distributed deep reinforcement learning(D3RL) mechanism using a deep Q-network (DQN). It chooses the channels using the Q-values and the channel loads while limiting the options available to the user to a few channels with the highest Q-values and among those, it selects the least loaded channel. Using insights from both game theory and combinatorial optimization we show that this technique is asymptotically optimal for large overloaded networks. The selected channel and the outcome of the successful transmission are fed back into the learning of the deep Q-network to incorporate it into the learning of the Q-values. We also analyzed performance to understand the behavior of D3RL in differ
• Abstract（参考訳）: ユーザ間のスペクトル共有は、あらゆる無線ネットワークの管理において根本的な問題である。 本稿では,一般的な未知チャネル下での集中管理を伴わない分散スペクトル協調の問題について論じる。 通信・コーディネーション・制御のコストはデバイス数や帯域幅の拡大とともに急速に増大しているため、明示的なシグナリングを使わないスペクトル協調のための分散技術を開発する必要があることは明らかである。 本稿では,ゲーム理論と深層Q-ラーニングを組み合わせることで,スペクトル協調問題に対する漸近的最適解を提供する。 本稿では,DQN(Deep Q-network)を用いた決定論的分散強化学習(D3RL)機構を提案する。 Q値とチャネルロードを使用してチャンネルを選択すると同時に、ユーザが利用可能なオプションを最も高いQ値を持ついくつかのチャンネルに制限し、最もロードの少ないチャンネルを選択する。 ゲーム理論と組合せ最適化の両方の知見を用いて、この手法が大負荷ネットワークに対して漸近的に最適であることを示す。 選択したチャネルと成功した伝送結果が深層Qネットワークの学習にフィードバックされ、それをQ値の学習に組み込む。 また,異なるD3RLの挙動を理解するために性能解析を行った。

関連論文リスト

• Spectrum Sharing using Deep Reinforcement Learning in Vehicular Networks [0.14999444543328289]
  本稿では、DQNモデルの有効性を実証し、スペクトル共有効率を向上させるためのいくつかの結果と分析を行った。 SARLモデルとMARLモデルの両方がV2V通信の成功率を示し、トレーニングが進むにつれてRLモデルの累積報酬が最大に達する。
  論文  参考訳（メタデータ） (2024-10-16T12:59:59Z)
• SINR-Aware Deep Reinforcement Learning for Distributed Dynamic Channel Allocation in Cognitive Interference Networks [10.514231683620517]
  本稿では,複数の大規模ネットワークによるキャリヤ間干渉(ICI)とチャネル再利用を経験する実世界のシステムに焦点を当てる。 CARLTON(Channel Allocation RL To Overlapped Networks)と呼ばれる分散DCAのための新しいマルチエージェント強化学習フレームワークを提案する。 本結果は,従来の最先端手法に比べて優れた効率性を示し,優れた性能とロバストな一般化を示した。
  論文  参考訳（メタデータ） (2024-02-17T20:03:02Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Deep Reinforcement Learning for Interference Management in UAV-based 3D Networks: Potentials and Challenges [137.47736805685457]
  チャネル情報を知らなくても干渉を効果的に軽減できることを示す。 干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
  論文  参考訳（メタデータ） (2023-05-11T18:06:46Z)
• Non-Local and Quantum Advantages in Network Coding for Multiple Access Channels [1.6114012813668934]
  従来のネットワークチャネル上での絡み合い支援通信について検討する。 非ローカルゲームに基づくn-senderと1-receiver多重アクセスチャネルのためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-04-21T07:54:52Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)
• Cooperative Multi-Agent Reinforcement Learning Based Distributed Dynamic Spectrum Access in Cognitive Radio Networks [46.723006378363785]
  ダイナミックスペクトルアクセス(DSA)は、非効率的なスペクトル利用の問題を改善するための、有望なパラダイムである。 本稿では,一般的な認知無線ネットワークにおけるマルチユーザに対する分散DSA問題について検討する。 我々は、各認知ユーザに対する状態の部分的観測可能性に対処するために、DRQN(Deep Recurrent Q-network)を用いている。
  論文  参考訳（メタデータ） (2021-06-17T06:52:21Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)
• Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
  本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。 本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-30T10:05:35Z)

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。