論文の概要: Interference Suppression Using Deep Learning: Current Approaches and Open Challenges

• arxiv url: http://arxiv.org/abs/2112.08988v1
• Date: Thu, 16 Dec 2021 16:07:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 18:48:37.098454
• Title: Interference Suppression Using Deep Learning: Current Approaches and Open Challenges
• Title（参考訳）: 深層学習を用いた干渉抑制 : 現状と課題
• Authors: Taiwo Oyedare, Vijay K Shah, Daniel J Jakubisin, Jeff H Reed
• Abstract要約: 本稿では,深層学習を用いた干渉抑制技術について概説する。 干渉抑制における多種多様な深層学習手法の比較とガイドラインを提供する。 さらに,干渉抑制におけるディープラーニングの導入を成功させる上での課題と今後の研究方向性を強調した。
• 参考スコア（独自算出の注目度）: 2.179313476241343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In light of the finite nature of the wireless spectrum and the increasing demand for spectrum use arising from recent technological breakthroughs in wireless communication, the problem of interference continues to persist. Despite recent advancements in resolving interference issues, interference still presents a difficult challenge to effective usage of the spectrum. This is partly due to the rise in the use of license-free and managed shared bands for Wi-Fi, long term evolution (LTE) unlicensed (LTE-U), LTE licensed assisted access (LAA), 5G NR, and other opportunistic spectrum access solutions. As a result of this, the need for efficient spectrum usage schemes that are robust against interference has never been more important. In the past, most solutions to interference have addressed the problem by using avoidance techniques as well as non-AI mitigation approaches (for example, adaptive filters). The key downside to non-AI techniques is the need for domain expertise in the extraction or exploitation of signal features such as cyclostationarity, bandwidth and modulation of the interfering signals. More recently, researchers have successfully explored AI/ML enabled physical (PHY) layer techniques, especially deep learning which reduces or compensates for the interfering signal instead of simply avoiding it. The underlying idea of ML based approaches is to learn the interference or the interference characteristics from the data, thereby sidelining the need for domain expertise in suppressing the interference. In this paper, we review a wide range of techniques that have used deep learning to suppress interference. We provide comparison and guidelines for many different types of deep learning techniques in interference suppression. In addition, we highlight challenges and potential future research directions for the successful adoption of deep learning in interference suppression.
• Abstract（参考訳）: 無線スペクトルの有限の性質と、近年の無線通信の技術革新によるスペクトル需要の増加を踏まえ、干渉の問題は引き続き続いている。 近年の干渉問題解決の進歩にもかかわらず、干渉はスペクトルの有効利用に難題を呈している。 これは、Wi-Fiのライセンスなしおよび管理された共有バンドの使用の増加、長期進化(LTE-U)無認可(LTE-U)、LTEライセンス補助アクセス(LAA)、5G NR、その他の機会論的スペクトラムアクセスソリューションが原因である。 この結果、干渉に対して堅牢な効率的なスペクトル利用方式の必要性は、これまでになく重要であった。 これまで、干渉に対するほとんどのソリューションは、回避手法や非AI緩和手法(適応フィルタなど)を用いてこの問題に対処してきた。 非AI技術の主な欠点は、サイクロモタリティ、帯域幅、干渉信号の変調などの信号特徴の抽出や利用において、ドメインの専門知識が必要であることである。 最近では、AI/MLを有効にした物理層(PHY)技術、特に単に避けるのではなく、干渉信号の低減や補償を行う深層学習について研究が成功している。 MLベースのアプローチの根底にある考え方は、データから干渉または干渉特性を学ぶことである。 本稿では,深層学習を用いた干渉抑制技術について概説する。 干渉抑制における多種多様な深層学習手法の比較とガイドラインを提供する。 さらに,干渉抑制におけるディープラーニングの導入を成功させるための課題と今後の研究方向についても注目する。

関連論文リスト

• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。 第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。 第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Multi-Agent Context Learning Strategy for Interference-Aware Beam Allocation in mmWave Vehicular Communications [8.29063749138322]
  我々は,Multi-Agent Context Learning (MACOL) と呼ばれる新しい戦略を開発し,ネットワーク内の車両に対してmWaveビームを割り当てながら干渉を管理する。 提案手法は,近隣のビーム状態の知識を活用することで,機械学習エージェントが他の送信に干渉する可能性のある送信を識別・回避できることを実証する。
  論文  参考訳（メタデータ） (2024-01-04T15:43:55Z)
• Measuring and Mitigating Interference in Reinforcement Learning [30.38857177546063]
  破滅的な干渉は、多くのネットワークベースの学習システムで一般的である。 価値に基づく強化学習のための干渉の定義と新しい尺度を提供する。
  論文  参考訳（メタデータ） (2023-07-10T20:20:20Z)
• Edge Intelligence Over the Air: Two Faces of Interference in Federated Learning [95.31679010587473]
  フェデレートされたエッジ学習は、次世代無線ネットワークにおけるインテリジェンスの実現の基盤として考えられている。 本稿では,無線によるエッジ学習システムにおける干渉の肯定的および否定的影響について概説する。
  論文  参考訳（メタデータ） (2023-06-17T09:04:48Z)
• 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)
• Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference [73.63024765499719]
  モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。 本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。 呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
  論文  参考訳（メタデータ） (2023-05-10T07:05:43Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
  本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。 まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。 次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-15T14:19:55Z)
• Reinforcement Learning Assisted Beamforming for Inter-cell Interference Mitigation in 5G Massive MIMO Networks [0.0]
  ビームフォーミングは、MMIMO(Multiple-input-multiple-output)通信において重要な技術である。 細胞間干渉(ICI)は、周波数再利用技術による5G通信が直面する主な障害の1つである。 5GダウンリンクにおけるICI緩和のための強化学習(RL)支援フルダイナミックビームフォーミングを提案する。
  論文  参考訳（メタデータ） (2021-01-27T07:18:07Z)
• Reinforcement Learning for Mitigating Intermittent Interference in Terahertz Communication Networks [4.999585439793266]
  多数のユーザによる非協調送信はテラヘルツネットワークに重大な干渉を引き起こす可能性がある。 適応型マルチスレッディング戦略を用いた強化学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-10T16:28:45Z)

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。