論文の概要: A Reinforcement Learning Framework for PQoS in a Teleoperated Driving Scenario

• arxiv url: http://arxiv.org/abs/2202.01949v1
• Date: Fri, 4 Feb 2022 02:59:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 15:12:50.197520
• Title: A Reinforcement Learning Framework for PQoS in a Teleoperated Driving Scenario
• Title（参考訳）: 遠隔運転シナリオにおけるPQoSの強化学習フレームワーク
• Authors: Federico Mason, Matteo Drago, Tommaso Zugno, Marco Giordani, Mate Boban and Michele Zorzi
• Abstract要約: PQoS機能を実装したRANレベルで実装された新しいエンティティの設計を提案する。 具体的には,学習者の報酬関数の設計に焦点をあて,要求が満たされない場合,見積もりを適切な対策に変換することができる。 我々は, ns-3シミュレーションを用いて, 遠隔運転のようなシナリオにおいて, エンドユーザーのQoE(Quality of Experience, QoE)パフォーマンスにおいて, 最良のトレードオフを実現することを実証した。
• 参考スコア（独自算出の注目度）: 18.54699818319184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, autonomous networks have been designed with Predictive Quality of Service (PQoS) in mind, as a means for applications operating in the industrial and/or automotive sectors to predict unanticipated Quality of Service (QoS) changes and react accordingly. In this context, Reinforcement Learning (RL) has come out as a promising approach to perform accurate predictions, and optimize the efficiency and adaptability of wireless networks. Along these lines, in this paper we propose the design of a new entity, implemented at the RAN-level that, with the support of an RL framework, implements PQoS functionalities. Specifically, we focus on the design of the reward function of the learning agent, able to convert QoS estimates into appropriate countermeasures if QoS requirements are not satisfied. We demonstrate via ns-3 simulations that our approach achieves the best trade-off in terms of QoS and Quality of Experience (QoE) performance of end users in a teleoperated-driving-like scenario, compared to other baseline solutions.
• Abstract（参考訳）: 近年,予測品質(PQoS)を念頭に設計された自律型ネットワークは,産業部門や自動車部門で運用されているアプリケーションに対して,予測外品質(QoS)の変化を予測し,それに応じて反応する手段として設計されている。 この文脈において、強化学習(RL)は正確な予測を行い、無線ネットワークの効率性と適応性を最適化するための有望なアプローチとして登場した。 本稿では、RLフレームワークのサポートによりPQoS機能を実装したRANレベルで実装された新しいエンティティの設計を提案する。 具体的には、QoS要求が満たされない場合、QoS推定を適切な対策に変換することができる学習エージェントの報酬関数の設計に焦点を当てる。 ns-3シミュレーションによって、他のベースラインソリューションと比較して、qosとqoe(quality of experience)のエンドユーザのパフォーマンスにおいて、当社のアプローチが最高のトレードオフを達成できることを実証した。

関連論文リスト

• Statistical QoS Provision in Business-Centric Networks [14.567380216501169]
  Business-Centric Network(BCN)は、アプリケーション、トランスポートパラメータ、チャネルの関係をキャプチャするクロスレイヤフレームワークである。 電力と帯域幅の割り当て、送信パラメータ、APネットワークトポロジを共同で検討することにより、重み付けされた資源効率を最適化する。 トレーニングを加速し、報酬を高めるために、新しいマルチスレッド体験共有機構を導入する。
  論文  参考訳（メタデータ） (2024-08-28T08:03:04Z)
• QoS prediction in radio vehicular environments via prior user information [54.853542701389074]
  セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。 具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
  論文  参考訳（メタデータ） (2024-02-27T17:05:41Z)
• Quantum Computing Enhanced Service Ecosystem for Simulation in Manufacturing [56.61654656648898]
  本稿では,製造シミュレーションのための量子コンピューティングによるサービスエコシステムの枠組みを提案する。 我々は,これらの新しい計算パラダイムを定量的に評価することを目的とした2つの高価値ユースケースを分析した。
  論文  参考訳（メタデータ） (2024-01-19T11:04:14Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• Human-in-the-loop online just-in-time software defect prediction [6.35776510153759]
  我々は,SQAスタッフからのフィードバックを統合して予測プロセスを強化するHuman-In-The-Loop (HITL) O-JIT-SDPを提案する。 また,k-fold分散ブートストラップ法とWilcoxon符号ランク試験を併用した性能評価フレームワークを提案する。 これらの進歩は、産業アプリケーションにおけるO-JIT-SDPの価値を大幅に向上させる可能性を秘めている。
  論文  参考訳（メタデータ） (2023-08-25T23:40:08Z)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• Towards Decentralized Predictive Quality of Service in Next-Generation Vehicular Networks [16.930875340427765]
  我々は、車両ネットワークに予測品質(PQoS)を実装するための強化学習エージェントを設計する。 我々のフレームワークは、低レイテンシと信頼性の制約の下で自動車データを送信するための最適な圧縮レベルを特定することができる。
  論文  参考訳（メタデータ） (2023-02-22T10:35:00Z)
• Low Complexity Adaptive Machine Learning Approaches for End-to-End Latency Prediction [0.0]
  この研究は、予測、監視、予測のための効率的で低コストな適応アルゴリズムの設計である。 我々は,GNNにおける近年の国際的課題の後に提供されたパブリックジェネレータから得られるデータに対して,我々のアプローチと結果を説明するために,エンドツーエンドの遅延予測に焦点を当てた。
  論文  参考訳（メタデータ） (2023-01-31T10:29:11Z)
• Predictive Quality of Service (PQoS): The Next Frontier for Fully Autonomous Systems [29.362590041588454]
  自律システムにおいて予測(PQoS)を可能にする方法を提案する。 ネットワーク予測の恩恵を特に受けるユースケースについて論じる。 そして、今後の研究に向けてまだオープンな分野の課題について、光を当てた。
  論文  参考訳（メタデータ） (2021-09-20T08:55:51Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Cross Learning in Deep Q-Networks [82.20059754270302]
  本稿では、値に基づく強化学習手法において、よく知られた過大評価問題を緩和することを目的とした、新しいクロスQ-ラーニングアルゴリズムを提案する。 本アルゴリズムは,並列モデルの集合を維持し,ランダムに選択されたネットワークに基づいてQ値を算出することによって,二重Q-ラーニングに基づいて構築する。
  論文  参考訳（メタデータ） (2020-09-29T04:58:17Z)

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。