論文の概要: Coordinated Random Access for Industrial IoT With Correlated Traffic By Reinforcement-Learning

• arxiv url: http://arxiv.org/abs/2109.08389v1
• Date: Fri, 17 Sep 2021 07:45:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-20 14:28:01.702508
• Title: Coordinated Random Access for Industrial IoT With Correlated Traffic By Reinforcement-Learning
• Title（参考訳）: 強化学習による産業用iot機器の協調的ランダムアクセス
• Authors: Alberto Rech, Stefano Tomasin
• Abstract要約: 本稿では,産業用モノのインターネット(IIoT)シナリオを対象としたランダムアクセス方式を提案する。 タイムはフレームに分割され、それぞれスロットに分割され、各MTDは、MTDと現在の再送信数の両方に固有の確率密度関数(PDF)を持つ1つのスロットをランダムに選択する。 ALOHA と min-max の相互相関ランダムアクセス方式を比較し,本手法がトラフィック強度を適度に高め,高いスループットを実現することを示す。
• 参考スコア（独自算出の注目度）: 11.269650322296968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a coordinated random access scheme for industrial internet-of-things (IIoT) scenarios, with machine-type devices (MTDs) generating sporadic correlated traffic. This occurs, e.g., when external events trigger data generation at multiple MTDs simultaneously. Time is divided into frames, each split into slots and each MTD randomly selects one slot for (re)transmission, with probability density functions (PDFs) specific of both the MTD and the number of the current retransmission. PDFs are locally optimized to minimize the probability of packet collision. The optimization problem is modeled as a repeated Markov game with incomplete information, and the linear reward-inaction algorithm is used at each MTD, which provably converges to a deterministic (suboptimal) slot assignment. We compare our solution with both the slotted ALOHA and the min-max pairwise correlation random access schemes, showing that our approach achieves a higher network throughput with moderate traffic intensity.
• Abstract（参考訳）: 本稿では,産業用インターネット・オブ・シング(iiot)シナリオのための協調型ランダムアクセス方式を提案する。 これは例えば、外部イベントが複数のMTDで同時にデータ生成をトリガーする時に発生する。 タイムはフレームに分割され、それぞれスロットに分割され、各MTDは、MTDと現在の再送信数の両方に固有の確率密度関数(PDF)を持つ1つのスロットをランダムに選択する。 PDFはパケット衝突の確率を最小限に抑えるためにローカルに最適化されている。 最適化問題は、不完全情報を持つ繰り返しマルコフゲームとしてモデル化され、各MTDに線形報酬応答アルゴリズムを使用し、決定論的(準最適)スロット割り当てに確実に収束する。 提案手法をスロット付きアロハとmin-maxのペアワイズ相関ランダムアクセス方式の両方と比較し,トラフィック強度を適度に保った高いネットワークスループットを実現することを示す。

関連論文リスト

• SCoTT: Wireless-Aware Path Planning with Vision Language Models and Strategic Chains-of-Thought [78.53885607559958]
  複雑な無線環境における経路計画を実現するために,視覚言語モデル(VLM)を用いた新しい手法を提案する。 この目的のために、実世界の無線レイトレーシングデータを用いたデジタルツインからの洞察を探索する。 その結果, SCoTT はDP-WA* と比較して非常に近い平均経路ゲインを実現し, 同時に一貫した経路長が得られることがわかった。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• Cooperative Path Planning with Asynchronous Multiagent Reinforcement Learning [4.640948267127441]
  複数のソース-決定ペア(MSD)を持つ最短経路問題(SPP) 本稿では,最短経路問題(SPP)について,複数の経路対,すなわちMSD-SPPを用いて検討し,最短経路の平均走行時間を最小化する。
  論文  参考訳（メタデータ） (2024-09-01T15:48:14Z)
• AccidentBlip: Agent of Accident Warning based on MA-former [24.81148840857782]
  AccidentBlipは視覚のみのフレームワークで、ビデオの各フレームを処理するために自設計のMotion Accident Transformer(MA-former)を使用している。 AccidentBlipは、DeepAccidentデータセット上の事故検出と予測タスクの両方のパフォーマンスを達成する。 また、V2VおよびV2Xシナリオにおける現在のSOTAメソッドよりも優れており、複雑な現実世界環境を理解するのに優れた能力を示している。
  論文  参考訳（メタデータ） (2024-04-18T12:54:25Z)
• Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MR Image Synthesis [52.41439725865149]
  クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。 既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。 マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T11:40:40Z)
• Multi-Agent Chance-Constrained Stochastic Shortest Path with Application to Risk-Aware Intelligent Intersection [15.149982804527182]
  既存の自動交差点の深刻な課題は、運転環境や人間駆動車からの不確実性の検出と推論にある。 自動運転車(AV)と人間駆動車(HV)のためのリスク対応知的交差点システムを提案する。
  論文  参考訳（メタデータ） (2022-10-03T06:49:23Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections [45.508973373913946]
  道路交差点において,信号機や信号機を使わずに複数の非通信的合理的エージェント間の分散ナビゲーションに着目した。 我々の重要な洞察は、交差点の幾何学的構造と、効率的に動くエージェントのインセンティブが衝突を避け(合理性)、起こりうる行動の空間を減少させるということである。 マルチエージェント交差点シーンにおける高次モードの軌道表現を再構成するデータ駆動型軌道予測機構であるMTPを設計する。
  論文  参考訳（メタデータ） (2020-11-08T02:56:42Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)

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。