論文の概要: Machine Learning Aided Holistic Handover Optimization for Emerging Networks

• arxiv url: http://arxiv.org/abs/2202.02851v1
• Date: Sun, 6 Feb 2022 21:04:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 18:18:03.386297
• Title: Machine Learning Aided Holistic Handover Optimization for Emerging Networks
• Title（参考訳）: 機械学習を用いた新興ネットワークの全体的ハンドオーバ最適化
• Authors: Muhammad Umar Bin Farooq, Marvin Manalastas, Syed Muhammad Asad Zaidi, Adnan Abu-Dayya, and Ali Imran
• Abstract要約: さまざまなタイプのハンドオーバに対する 全体論的モビリティ管理ソリューションです 機械学習を使用して、エッジをモビリティパラメータの関数として定量化する。 XGベースのモデルはエッジとHOSRで最高のパフォーマンスを持つ。
• 参考スコア（独自算出の注目度）: 3.3806024776163084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the wake of network densification and multi-band operation in emerging cellular networks, mobility and handover management is becoming a major bottleneck. The problem is further aggravated by the fact that holistic mobility management solutions for different types of handovers, namely inter-frequency and intra-frequency handovers, remain scarce. This paper presents a first mobility management solution that concurrently optimizes inter-frequency related A5 parameters and intra-frequency related A3 parameters. We analyze and optimize five parameters namely A5-time to trigger (TTT), A5-threshold1, A5-threshold2, A3-TTT, and A3-offset to jointly maximize three critical key performance indicators (KPIs): edge user reference signal received power (RSRP), handover success rate (HOSR) and load between frequency bands. In the absence of tractable analytical models due to system level complexity, we leverage machine learning to quantify the KPIs as a function of the mobility parameters. An XGBoost based model has the best performance for edge RSRP and HOSR while random forest outperforms others for load prediction. An analysis of the mobility parameters provides several insights: 1) there exists a strong coupling between A3 and A5 parameters; 2) an optimal set of parameters exists for each KPI; and 3) the optimal parameters vary for different KPIs. We also perform a SHAP based sensitivity to help resolve the parametric conflict between the KPIs. Finally, we formulate a maximization problem, show it is non-convex, and solve it utilizing simulated annealing (SA). Results indicate that ML-based SA-aided solution is more than 14x faster than the brute force approach with a slight loss in optimality.
• Abstract（参考訳）: 新興セルネットワークにおけるネットワーク密度化とマルチバンド運用の結果として,モビリティとハンドオーバ管理が大きなボトルネックとなっている。 この問題は、様々なタイプのハンドオーバ、すなわち周波数間ハンドオーバと周波数内ハンドオーバに対する全体論的モビリティ管理ソリューションが不足しているという事実によってさらに悪化している。 本稿では,周波数間関連a5パラメータと周波数内関連a3パラメータを同時に最適化する最初のモビリティ管理ソリューションを提案する。 A5-time to trigger (TTT), A5-threshold1, A5-threshold2, A3-TTT, A3-offsetの5つのパラメータを解析・最適化し、3つの重要なキーパフォーマンス指標(KPI)を共同で最大化する。 システムレベルの複雑さによるトラクタブル解析モデルがないため、機械学習を利用してKPIをモビリティパラメータの関数として定量化する。 XGBoost ベースのモデルはエッジ RSRP と HOSR に最適な性能を持ち、一方ランダムフォレストは負荷予測のために他のモデルより優れている。 移動度パラメータの分析はいくつかの洞察を与える。 1) A3 と A5 のパラメータの間には強い結合が存在する。 2) 各kpiに対して最適なパラメータセットが存在し、かつ 3) 最適パラメータはKPIによって異なる。 また、KPI間のパラメトリック衝突を解決するため、SHAPベースの感度も実施する。 最後に, 最大化問題を定式化し, 非凸性を示し, 模擬アニール (SA) を用いて解いた。 その結果, MLをベースとしたSA-aided Solutionは, 最適性がわずかに失われるブルート力アプローチよりも14倍以上高速であることが示唆された。

関連論文リスト

• Compact Model Parameter Extraction via Derivative-Free Optimization [0.0]
  伝統的に、パラメータの完全なセットを小さなサブセットに分割することで、パラメータ抽出を手動で行う。 我々は、微分自由最適化を用いて、完全な数のシミュレーションを行うことなく、コンパクトモデルに最もよく適合する優れたパラメータ集合を同定する。 本研究では,SPICEダイオードモデルとASM-HEMTモデルを用いたGaN-on-SiC HEMTによるダイヤモンドショットキーダイオードのモデル化により,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-24T06:52:50Z)
• Adapter-X: A Novel General Parameter-Efficient Fine-Tuning Framework for Vision [52.80792724919329]
  本稿では,2次元画像と3次元点雲の微調整を改善するためのAdapter-Xという新しいフレームワークを提案する。 2D画像と3Dポイントの雲のモードで完全な微調整をし、パラメータが大幅に少ない、すなわち2Dと3Dの分類タスクにおいて、オリジナルのトレーニング可能なパラメータのわずか0.20%と1.88%で、初めて性能を上回った。
  論文  参考訳（メタデータ） (2024-06-05T08:26:44Z)
• Parameter Optimization with Conscious Allocation (POCA) [4.478575931884855]
  ハイパーバンドベースの機械学習アプローチが最も効果的である。 私たちは出席します。 新人 Conscious Allocation (POCA) は、入力を適応的に割り当てるハイパーバンドベースのアルゴリズムである。 ハイパーパラメータの構成に予算を割り当てます POCAは、両方の設定で強い設定を高速に見つける。
  論文  参考訳（メタデータ） (2023-12-29T00:13:55Z)
• Fairness-Driven Optimization of RIS-Augmented 5G Networks for Seamless 3D UAV Connectivity Using DRL Algorithms [8.296140341710462]
  我々は、再構成可能なインテリジェントサーフェス(RIS)を用いた大規模マルチインプットマルチアウトプットシステムにおけるジョイントアクティブビームフォーミングとパッシブビームフォーミングの問題点について検討する。 この問題に対処する2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-14T06:43:36Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)
• Sensitivity-Aware Visual Parameter-Efficient Fine-Tuning [91.5113227694443]
  私たちは新しいビジュアルを提案します。 Sensuous-Aware Fine-Tuning (SPT) スキーム。 SPTはタスク固有の重要な位置にトレーニング可能なパラメータを割り当てる。 ダウンストリーム認識タスクの幅広い実験により,SPTは既存のPEFT法と相補的であることが示された。
  論文  参考訳（メタデータ） (2023-03-15T12:34:24Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Evaluation of Hyperparameter-Optimization Approaches in an Industrial Federated Learning System [0.2609784101826761]
  フェデレートラーニング(FL)は、データに直接アクセスする必要性からモデルのトレーニングを分離する。 本研究では,FLシステムにおける様々なパラメータ最適化手法の影響について検討した。 グリッド探索とベイズ最適化に基づいてこれらの手法を実装し,MNISTデータセットとIoT(Internet of Things)センサを用いた産業用データセットに基づくアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2021-10-15T17:01:40Z)
• 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)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• A Machine Learning based Framework for KPI Maximization in Emerging Networks using Mobility Parameters [3.6671455337053573]
  現在のLTEネットワークは、多くの設定と最適化パラメータに直面している。 5Gでは、これらのCOPの数はサイト当たり2000に達すると予測されている。 本稿では,2つの関連するCOPの最適組み合わせを発見するための手法と組み合わせた機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-04T13:28:04Z)

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。