論文の概要: Throughput and Latency in the Distributed Q-Learning Random Access mMTC Networks

• arxiv url: http://arxiv.org/abs/2111.00299v1
• Date: Sat, 30 Oct 2021 17:57:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 03:47:44.428849
• Title: Throughput and Latency in the Distributed Q-Learning Random Access mMTC Networks
• Title（参考訳）: 分散Q学習ランダムアクセスmMTCネットワークにおけるスループットとレイテンシ
• Authors: Giovanni Maciel Ferreira Silva, Taufik Abrao
• Abstract要約: mMTCモードでは、何千ものデバイスがスポラジカルにネットワークリソースにアクセスしようとするため、ランダムアクセス(RA)の問題が重要である。 本研究では,送信するパケット数がより多いデバイスを優先する中央ノードから報酬を変動させることにより,分散パケットベースの学習手法を提案する。 計算結果から,分散パケットベースのQ-ラーニング手法は,従来の独立・協調手法よりもスループット・レイテンシのトレードオフがはるかに優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In mMTC mode, with thousands of devices trying to access network resources sporadically, the problem of random access (RA) and collisions between devices that select the same resources becomes crucial. A promising approach to solve such an RA problem is to use learning mechanisms, especially the Q-learning algorithm, where the devices learn about the best time-slot periods to transmit through rewards sent by the central node. In this work, we propose a distributed packet-based learning method by varying the reward from the central node that favors devices having a larger number of remaining packets to transmit. Our numerical results indicated that the proposed distributed packet-based Q-learning method attains a much better throughput-latency trade-off than the alternative independent and collaborative techniques in practical scenarios of interest. In contrast, the number of payload bits of the packet-based technique is reduced regarding the collaborative Q-learning RA technique for achieving the same normalized throughput.
• Abstract（参考訳）: mMTCモードでは、何千ものデバイスがネットワークリソースを散発的にアクセスしようとすると、ランダムアクセス(RA)の問題と、同じリソースを選択するデバイス間の衝突が重要になる。 このようなra問題を解決するための有望なアプローチは、学習メカニズム、特にq-learningアルゴリズムを使用することである。 本研究では,送信するパケットの数が多いデバイスを優先する中央ノードから報酬を変動させることにより,分散パケットベースの学習手法を提案する。 提案手法は, 実用シナリオにおいて, 分散パケットを用いたq-learning手法が, 従来手法よりもスループット・レイテンシのトレードオフが向上することを示す。 対照的に、同じ正規化スループットを達成するためのコラボレーティブqラーニングra技術に関して、パケットベース手法のペイロードビット数を減少させる。

関連論文リスト

• Edge-device Collaborative Computing for Multi-view Classification [9.047284788663776]
  エッジノードとエンドデバイスが相関データと推論計算負荷を共有するエッジでの協調推論について検討する。 本稿では,データ冗長性を効果的に低減し,帯域幅の消費を削減できる選択手法を提案する。 実験結果から、選択的な協調スキームは上記の性能指標間で異なるトレードオフを達成できることが示された。
  論文  参考訳（メタデータ） (2024-09-24T11:07:33Z)
• Federated Learning over a Wireless Network: Distributed User Selection through Random Access [23.544290667425532]
  本研究では,分散ユーザ選択におけるネットワーク固有のアプローチを提案する。 我々は、訓練の各ラウンドで無線リソースを取得するために、特定のユーザを優先するために、競合ウィンドウ(CW)サイズを操作します。 優先順位付けは、新たに訓練されたローカルモデルと前回のラウンドのグローバルモデルとの距離に基づいて行われる。
  論文  参考訳（メタデータ） (2023-07-07T02:14:46Z)
• Multi-Agent Reinforcement Learning for Network Routing in Integrated Access Backhaul Networks [0.0]
  IABネットワークの遅延を最小化しながらパケット到着率を最大化することを目的としている。 この問題を解決するため、我々はマルチエージェントで部分的に観察されたマルコフ決定プロセス(POMD)を開発した。 A2Cは他の強化学習アルゴリズムよりも優れており、ネットワーク効率が向上し、利己的エージェントの挙動が低下することを示した。
  論文  参考訳（メタデータ） (2023-05-12T13:03:26Z)
• 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)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Toward Multiple Federated Learning Services Resource Sharing in Mobile Edge Networks [88.15736037284408]
  本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。 共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。 シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
  論文  参考訳（メタデータ） (2020-11-25T01:29:41Z)
• 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)
• Multi-agent Reinforcement Learning for Resource Allocation in IoT networks with Edge Computing [16.129649374251088]
  エンドユーザーが計算をオフロードするのは、スペクトルとリソースに対する大きな要求のためである。 本稿では,IoTエッジコンピューティングネットワークにおけるリソース割り当てを伴うオフロード機構をゲームとして定式化することによって検討する。
  論文  参考訳（メタデータ） (2020-04-05T20:59:20Z)

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。