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

• NetOrchLLM: Mastering Wireless Network Orchestration with Large Language Models [11.015852090523229]
  大規模言語モデル(LLM)は、洗練された自然言語理解機能を活用することで、様々な領域に革命をもたらした。 本稿では、様々な無線固有モデルをシームレスにオーケストレーションする無線ネットワークORCHestrator LLMフレームワークであるNetORCHLLMを提案する。 アプローチの実用性を示す包括的なフレームワークが導入された。
  論文  参考訳（メタデータ） (2024-12-13T12:48:15Z)
• DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
  本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。 大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
  論文  参考訳（メタデータ） (2024-10-18T14:04:38Z)
• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• 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)
• 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)
• 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。