論文の概要: Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks
- arxiv url: http://arxiv.org/abs/2205.13958v2
- Date: Tue, 31 May 2022 12:14:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 12:07:54.474258
- Title: Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks
- Title（参考訳）: 衛星・衛星統合ネットワークにおける機械学習に基づくユーザスケジューリング
- Authors: Shasha Liu, Hayssam Dahrouj, Mohamed-Slim Alouini
- Abstract要約: 第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
- 参考スコア（独自算出の注目度）: 82.58968700765783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrated space-air-ground networks promise to offer a valuable solution
space for empowering the sixth generation of communication networks (6G),
particularly in the context of connecting the unconnected and ultraconnecting
the connected. Such digital inclusion thrive makes resource management
problems, especially those accounting for load-balancing considerations, of
particular interest. The conventional model-based optimization methods,
however, often fail to meet the real-time processing and quality-of-service
needs, due to the high heterogeneity of the space-air-ground networks, and the
typical complexity of the classical algorithms. Given the premises of
artificial intelligence at automating wireless networks design, this paper
focuses on showcasing the prospects of machine learning in the context of user
scheduling in integrated space-air-ground communications. The paper first
overviews the most relevant state-of-the art in the context of machine learning
applications to the resource allocation problems, with a dedicated attention to
space-air-ground networks. The paper then proposes, and shows the benefit of,
one specific application that uses ensembling deep neural networks for
optimizing the user scheduling policies in integrated space-high altitude
platform station (HAPS)-ground networks. Finally, the paper sheds light on the
challenges and open issues that promise to spur the integration of machine
learning in space-air-ground networks, namely, online HAPS power adaptation,
learning-based channel sensing, data-driven multi-HAPSs resource management,
and intelligent flying taxis-empowered systems.
- Abstract（参考訳）: 統合された宇宙空間の地上ネットワークは、第6世代の通信ネットワーク(6G)、特に接続されていない接続とウルトラ接続のコンテキストにおいて、有用なソリューション空間を提供する。
このようなデジタルインクルージョンは、特にロードバランシングを考慮したリソース管理の問題に特に関心を寄せている。
しかし、従来のモデルに基づく最適化手法は、時空ネットワークの多様性が高く、古典的なアルゴリズムの典型的複雑さのため、リアルタイム処理やサービス品質の要求を満たさないことが多い。
本稿では,ワイヤレスネットワーク設計における人工知能の前提を考慮し,空間・地上統合通信におけるユーザスケジューリングの文脈における機械学習の展望を示す。
本稿はまず,機械学習応用の文脈における最も関連する技術と資源割当問題について概説し,特に空間・地上ネットワークに注目した。
そこで本論文では,深層ニューラルネットワークを統合型宇宙高度プラットフォームステーション(HAPS)におけるユーザスケジューリングポリシの最適化に利用する,特定のアプリケーションを提案する。
最後に、この論文は、オンラインHAPS電力適応、学習に基づくチャネルセンシング、データ駆動型マルチHAPSリソース管理、インテリジェントな空飛ぶタクシー駆動システムなど、宇宙空間のネットワークにおける機械学習の統合を促進するための課題と課題を明らかにする。
関連論文リスト
- Hierarchical Learning and Computing over Space-Ground Integrated Networks [40.19542938629252]
地上IoTデバイス上で,局所的に訓練されたモデルに対してグローバルアグリゲーションサービスを提供するための階層的学習・計算フレームワークを提案する。
モデルアグリゲーションのネットワークエネルギー問題を定式化し、これはDST問題であることが判明した。
代用有向グラフ上で最小スパンニングアーボラッセンスを求めることでDST問題を解決するためのトポロジカル・アウェア・エネルギ効率・ルーティング(TAEER)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-26T09:05:43Z) - Enabling Intelligent Vehicular Networks Through Distributed Learning in
the Non-Terrestrial Networks 6G Vision [0.5461938536945721]
6G対応のインテリジェントトランスポーテーションシステム(ITS)は、先進的なインテリジェントサービスとアプリケーションで従来の交通ネットワークを再定義する。
これらの技術は、レイテンシ、エネルギー効率、ユーザデータセキュリティの厳しい要件を課している。
本稿では,資源制約型車両シナリオのための共同空地ネットワークにおいて,FSTL(Federated Split Transfer Learning)の概念を導入する。
論文 参考訳（メタデータ） (2023-09-07T22:18:21Z) - The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳（メタデータ） (2022-12-21T03:37:38Z) - Topics in Deep Learning and Optimization Algorithms for IoT Applications
in Smart Transportation [0.0]
この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。
第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。
第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。
最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
論文 参考訳（メタデータ） (2022-10-13T11:45:30Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G
Latency Sensitive Services [10.718353079920007]
本論文では、無線アクセスネットワークスライスと無線リソース管理に対処するために、ネットワークの端でDeep Reinforcement Learningを利用する新しいアーキテクチャを提案する。
提案手法の有効性を,自律走行型ユースケースを考慮したコンピュータシミュレーションにより検討した。
論文 参考訳（メタデータ） (2021-03-18T14:18:34Z) - Making a Case for Federated Learning in the Internet of Vehicles and
Intelligent Transportation Systems [6.699060157800401]
車両のインターネット(IoV)はインテリジェント交通システム(ITS)に変換されます。
これらの課題に対処するために,協調的分散知能技術である連合学習が提案されている。
多数のユースケースとメリットを備えたFederated Learningは、ITSの重要なイネーブラーであり、5Gおよびネットワークやアプリケーションを超えて広く実装される予定です。
論文 参考訳（メタデータ） (2021-02-19T20:07:17Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Artificial Intelligence for Satellite Communication: A Review [91.3755431537592]
この研究は、AI、その多様なサブフィールド、そして最先端のアルゴリズムの概要を提供する。
さまざまな衛星通信分野へのAIの適用は、ビームホッピング、アンチジャミング、ネットワークトラフィック予測、チャネルモデリング、テレメトリマイニング、電離圏シンチレーション検出、干渉管理、リモートセンシング、行動モデリング、スペースエアグラウンド統合、エネルギー管理など、優れた可能性を実証しています。
論文 参考訳（メタデータ） (2021-01-25T13:01:16Z) - 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。