論文の概要: Federated Spatial Reuse Optimization in Next-Generation Decentralized
IEEE 802.11 WLANs
- arxiv url: http://arxiv.org/abs/2203.10472v1
- Date: Sun, 20 Mar 2022 06:58:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-26 10:43:34.351627
- Title: Federated Spatial Reuse Optimization in Next-Generation Decentralized
IEEE 802.11 WLANs
- Title(参考訳): 次世代IEEE 802.11 WLANにおけるフェデレーション空間再利用最適化
- Authors: Francesc Wilhelmi, Jernej Hribar, Selim F. Yilmaz, Emre Ozfatura,
Kerem Ozfatura, Ozlem Yildiz, Deniz G\"und\"uz, Hao Chen, Xiaoying Ye, Lizhao
You, Yulin Shao, Paolo Dini, Boris Bellalta
- Abstract要約: 次世代無線ローカルエリアネットワーク(WLAN)における機械学習(ML)の適用可能性について検討する。
具体的には,IEEE 802.11ax空間再利用問題に着目し,その性能をFLモデルを用いて予測する。
この研究で概説されたFLソリューションのセットは、2021年のITU(International Telecommunication Union) AI for 5G Challengeの一部である。
- 参考スコア(独自算出の注目度): 14.954710245070343
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As wireless standards evolve, more complex functionalities are introduced to
address the increasing requirements in terms of throughput, latency, security,
and efficiency. To unleash the potential of such new features, artificial
intelligence (AI) and machine learning (ML) are currently being exploited for
deriving models and protocols from data, rather than by hand-programming. In
this paper, we explore the feasibility of applying ML in next-generation
wireless local area networks (WLANs). More specifically, we focus on the IEEE
802.11ax spatial reuse (SR) problem and predict its performance through
federated learning (FL) models. The set of FL solutions overviewed in this work
is part of the 2021 International Telecommunication Union (ITU) AI for 5G
Challenge.
- Abstract(参考訳): ワイヤレス標準が進化するにつれて、スループット、レイテンシ、セキュリティ、効率性の面で要求の増大に対応するために、より複雑な機能が導入される。
このような新機能の可能性を解き放つため、人工知能(AI)と機械学習(ML)は現在、ハンドプログラミングではなく、データからモデルやプロトコルを導出するために利用されている。
本稿では,次世代無線ローカルネットワーク(WLAN)におけるMLの適用可能性について検討する。
具体的には,IEEE 802.11ax空間再利用(SR)問題に着目し,その性能をFLモデルを用いて予測する。
この研究で概説されたFLソリューションのセットは、2021年のITU(International Telecommunication Union) AI for 5G Challengeの一部である。
関連論文リスト
- Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳(メタデータ) (2023-12-07T20:39:57Z) - Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。
本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
論文 参考訳(メタデータ) (2023-10-08T08:55:03Z) - The Role of Federated Learning in a Wireless World with Foundation
Models [59.8129893837421]
ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。
現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。
本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
論文 参考訳(メタデータ) (2023-10-06T04:13:10Z) - Distributed Multi-Agent Deep Q-Learning for Fast Roaming in IEEE
802.11ax Wi-Fi Systems [8.057006406834466]
Wi-Fi 6 IEEE 802.11axは無線ローカルネットワーク(WLAN)の第6世代(6G)技術として承認された。
本稿では,Wi-Fi 6 システムにおける Smart Warehouse 用ステーションローミングにおける遅延を効果的に抑えるために,高速ローミング (MADAR) アルゴリズムのためのマルチエージェント深層Q-ラーニングを提案する。
論文 参考訳(メタデータ) (2023-03-25T04:39:59Z) - CFLIT: Coexisting Federated Learning and Information Transfer [18.30671838758503]
本研究では,モバイルエッジネットワークにおける無線放送と従来型情報伝達(IT)の共存性について検討する。
FLとITデバイスがOFDMシステムで無線スペクトルを共有するCFLIT(Commanded Learning and Information Transfer)通信フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-26T13:17:28Z) - Phase Shift Design in RIS Empowered Wireless Networks: From Optimization
to AI-Based Methods [83.98961686408171]
再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。
無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。
本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
論文 参考訳(メタデータ) (2022-04-28T09:26:14Z) - Edge-Native Intelligence for 6G Communications Driven by Federated
Learning: A Survey of Trends and Challenges [14.008159759350264]
FL(Federated Learning)と呼ばれる新しい技術は、無線ネットワークの端に機械学習をもたらすために生まれた。
FLは、データプライバシを損なうことなく汎用MLモデルを開発するために、参加するクライアントの分散データセットとコンピューティングリソースの両方を活用する。
本調査の目的は,鍵となる無線技術におけるFL応用の現状を概観することである。
論文 参考訳(メタデータ) (2021-11-14T17:13:34Z) - Machine Learning for Performance Prediction of Channel Bonding in
Next-Generation IEEE 802.11 WLANs [1.0486135378491268]
我々はPompeu Fabra大学(UPF)が主催する問題ステートメント13(PS-013)の結果を提示する。
第一の目標は、チャネルボンディング(CB)技術を適用した次世代無線地域ネットワーク(WLAN)の性能予測であった。
論文 参考訳(メタデータ) (2021-05-29T05:33:07Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳(メタデータ) (2020-08-29T08:39:43Z) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳(メタデータ) (2020-08-06T12:37:14Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。