論文の概要: Transferable and Distributed User Association Policies for 5G and Beyond Networks

• arxiv url: http://arxiv.org/abs/2106.02540v1
• Date: Fri, 4 Jun 2021 15:08:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 19:21:31.810055
• Title: Transferable and Distributed User Association Policies for 5G and Beyond Networks
• Title（参考訳）: 5Gとネットワークを越えたトランスファー可能な分散ユーザアソシエーションポリシー
• Authors: Mohamed Sana, Nicola di Pietro, Emilio Calvanese Strinati
• Abstract要約: 本研究では,ユーザ・アソシエーションの課題,すなわち,基地局におけるユーザ・アソシエーションの最適割り当てについて検討する。 本稿では,ゼロショット一般化機能を持つユーザ間で転送可能な分散ポリシネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 9.727134312677842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of user association, namely finding the optimal assignment of user equipment to base stations to achieve a targeted network performance. In this paper, we focus on the knowledge transferability of association policies. Indeed, traditional non-trivial user association schemes are often scenario-specific or deployment-specific and require a policy re-design or re-learning when the number or the position of the users change. In contrast, transferability allows to apply a single user association policy, devised for a specific scenario, to other distinct user deployments, without needing a substantial re-learning or re-design phase and considerably reducing its computational and management complexity. To achieve transferability, we first cast user association as a multi-agent reinforcement learning problem. Then, based on a neural attention mechanism that we specifically conceived for this context, we propose a novel distributed policy network architecture, which is transferable among users with zero-shot generalization capability i.e., without requiring additional training.Numerical results show the effectiveness of our solution in terms of overall network communication rate, outperforming centralized benchmarks even when the number of users doubles with respect to the initial training point.
• Abstract（参考訳）: そこで本研究では,ネットワーク性能を達成するために,基地局へのユーザ機器の最適配置を求めるというユーザアソシエーションの問題について検討する。 本稿では,アソシエーション政策の知識伝達可能性に着目した。 実際、従来の非自明なユーザアソシエーションスキームはシナリオ固有のものやデプロイメント固有のものが多く、ユーザ数や位置が変わるとポリシーの再設計や再学習が必要になる。 これとは対照的に、トランスファビリティは、特定のシナリオのために考案された単一のユーザアソシエーションポリシを、重要な再学習や再設計フェーズを必要とせず、他の異なるユーザデプロイメントに適用し、計算と管理の複雑さを大幅に削減することができる。 転送性を実現するために,まず,ユーザアソシエーションをマルチエージェント強化学習問題として用いた。 そこで,本稿では,この文脈に特化して着目する神経的注意機構に基づいて,ゼロショットの一般化能力を持つユーザ間で,追加のトレーニングを必要とせずに転送可能な,新たな分散ポリシネットワークアーキテクチャを提案する。

関連論文リスト

• Hypergame Theory for Decentralized Resource Allocation in Multi-user Semantic Communications [60.63472821600567]
  マルチユーザSCシステムにおける分散コンピューティングと通信資源割り当てのための新しいフレームワークを提案する。 通信資源と計算資源を効率的に割り当てることの課題は、Stackelbergハイパーゲーム理論の適用によって解決される。 シミュレーションの結果,提案したStackelbergハイパーゲームは通信資源と計算資源を効率的に利用することができることがわかった。
  論文  参考訳（メタデータ） (2024-09-26T15:55:59Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• A Deep Learning Based Resource Allocator for Communication Systems with Dynamic User Utility Demands [14.694515879973169]
  本稿では,DL ベースのリソースアロケータ (ALCOR) を導入し,ユーザによるユーティリティ要求の調整を自由に行えるようにした。 ALCORは、時間共有問題におけるポリシーとしてディープニューラルネットワーク(DNN)を使用している。
  論文  参考訳（メタデータ） (2023-11-08T11:02:51Z)
• Mobility-Aware Joint User Scheduling and Resource Allocation for Low Latency Federated Learning [14.343345846105255]
  フェデレート学習システムにおけるユーザモビリティの実践モデルを提案する。 制約のある通信リソースによるトレーニング遅延を最小限に抑えるために,ユーザスケジューリングとリソース割り当て手法を開発した。 具体的には、まず、ユーザ選択、ユーザへのBS割り当て、帯域幅割り当てを共同で検討するユーザモビリティに関する最適化問題を定式化する。
  論文  参考訳（メタデータ） (2023-07-18T13:48:05Z)
• Big-data-driven and AI-based framework to enable personalization in wireless networks [20.26379197206863]
  無線ネットワークにパーソナライズを統合するためのビッグデータ駆動型AIベースのパーソナライズフレームワークを提案する。 各ユーザの実際の要件とコンテキストに基づいて、マルチオブジェクトの定式化により、ネットワークは、提供されたユーザの満足度レベルを同時に管理し、最適化することができる。
  論文  参考訳（メタデータ） (2023-06-08T02:30:55Z)
• Rethinking Value Function Learning for Generalization in Reinforcement Learning [11.516147824168732]
  我々は、観測一般化性能を向上させるために、複数の訓練環境においてRLエージェントを訓練することの課題に焦点をあてる。 マルチ環境設定における価値ネットワークは、従来の単一環境設定よりもトレーニングデータの過度な適合を最適化し難い。 本稿では,政策ネットワークよりもトレーニングデータが多い値ネットワークを少ない頻度で最適化することにより,暗黙的に評価値のペナルティ化を行うDelayed-Critic Policy Gradient (DCPG)を提案する。
  論文  参考訳（メタデータ） (2022-10-18T16:17:47Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• User-Centric Federated Learning [20.830970477768485]
  本稿では,学習方式の基本的利点を維持しつつ,パーソナライズされたストリーム数を制限するブロードキャストプロトコルを提案する。 我々のアプローチは、他の競合するベースラインソリューションと比較して、パーソナライズ能力の向上、収束の高速化、通信効率の向上を享受できることが示されている。
  論文  参考訳（メタデータ） (2021-10-19T11:49:06Z)
• Competing Adaptive Networks [56.56653763124104]
  適応エージェントのチーム間での分散競争のためのアルゴリズムを開発する。 本稿では,生成的対向ニューラルネットワークの分散学習への応用について述べる。
  論文  参考訳（メタデータ） (2021-03-29T14:42:15Z)
• All at Once Network Quantization via Collaborative Knowledge Transfer [56.95849086170461]
  オールオンス量子化ネットワークを効率的にトレーニングするための新しい共同知識伝達アプローチを開発しています。 具体的には、低精度の学生に知識を伝達するための高精度のエンクォータを選択するための適応的選択戦略を提案する。 知識を効果的に伝達するために,低精度の学生ネットワークのブロックを高精度の教師ネットワークのブロックにランダムに置き換える動的ブロックスワッピング法を開発した。
  論文  参考訳（メタデータ） (2021-03-02T03:09:03Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。