論文の概要: Learning Generalized Wireless MAC Communication Protocols via Abstraction

• arxiv url: http://arxiv.org/abs/2206.06331v1
• Date: Mon, 6 Jun 2022 14:19:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-19 22:46:44.342307
• Title: Learning Generalized Wireless MAC Communication Protocols via Abstraction
• Title（参考訳）: 抽象化による汎用無線mac通信プロトコルの学習
• Authors: Luciano Miuccio, Salvatore Riolo, Sumudu Samarakoony, Daniela Panno, and Mehdi Bennis
• Abstract要約: 本稿では,オートエンコーダ(AE)に基づくアーキテクチャを提案し,それをMAPPO(Multi-Adnt proximal Policy Optimization)フレームワークに組み込む。 観測から抽象化された情報を学習するために,オートエンコーダ(AE)に基づくアーキテクチャを提案し,それをMAPPO(Multi-Adnt proximal Policy Optimization)フレームワークに組み込む。
• 参考スコア（独自算出の注目度）: 34.450315226301576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To tackle the heterogeneous requirements of beyond 5G (B5G) and future 6G wireless networks, conventional medium access control (MAC) procedures need to evolve to enable base stations (BSs) and user equipments (UEs) to automatically learn innovative MAC protocols catering to extremely diverse services. This topic has received significant attention, and several reinforcement learning (RL) algorithms, in which BSs and UEs are cast as agents, are available with the aim of learning a communication policy based on agents' local observations. However, current approaches are typically overfitted to the environment they are trained in, and lack robustness against unseen conditions, failing to generalize in different environments. To overcome this problem, in this work, instead of learning a policy in the high dimensional and redundant observation space, we leverage the concept of observation abstraction (OA) rooted in extracting useful information from the environment. This in turn allows learning communication protocols that are more robust and with much better generalization capabilities than current baselines. To learn the abstracted information from observations, we propose an architecture based on autoencoder (AE) and imbue it into a multi-agent proximal policy optimization (MAPPO) framework. Simulation results corroborate the effectiveness of leveraging abstraction when learning protocols by generalizing across environments, in terms of number of UEs, number of data packets to transmit, and channel conditions.
• Abstract（参考訳）: 5G(B5G)を超えるヘテロジニアスな要件と将来の6G無線ネットワークに対処するためには、ベースステーション(BS)とユーザ機器(UE)が高度に多様なサービスに対応する革新的なMACプロトコルを自動的に学習できるように、従来のメディアアクセス制御(MAC)手順を進化させる必要がある。 この話題は注目されており、bssとuesをエージェントとして使用する強化学習(rl)アルゴリズムが、エージェントのローカルな観察に基づいて通信ポリシーを学ぶ目的で利用可能である。 しかしながら、現在のアプローチは一般的に、トレーニング対象の環境に過度に適合し、目に見えない条件に対する堅牢性を欠き、異なる環境での一般化に失敗する。 この問題を克服するために,本稿では,高次元・冗長な観測空間におけるポリシーを学習する代わりに,環境から有用な情報抽出に根ざした観測抽象化(OA)の概念を活用する。 これにより、現在のベースラインよりも堅牢で、はるかに優れた一般化能力を持つ通信プロトコルを学ぶことができる。 観察から抽象化された情報を学習するために,autoencoder (ae) に基づくアーキテクチャを提案し,マルチエージェント・近位政策最適化 (mappo) フレームワークに組み込む。 シミュレーション結果は、ues数、送信するデータパケット数、チャネル条件の観点から、環境をまたいで一般化することにより、学習プロトコルの抽象化を活用することの有効性を実証する。

関連論文リスト

• DCMAC: Demand-aware Customized Multi-Agent Communication via Upper Bound Training [9.068971933560416]
  本稿では,アッパーバウンドトレーニングを用いて理想的なポリシを得る,要求対応のカスタマイズ型マルチエージェント通信プロトコルを提案する。 実験結果から,DCMACは,制約のない,通信制約のないシナリオにおいて,ベースラインアルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2024-09-11T09:23:27Z)
• Towards Semantic Communication Protocols for 6G: From Protocol Learning to Language-Oriented Approaches [60.6632432485476]
  6Gシステムは、幅広い非定常タスクに対処することが期待されている。これは、静的で事前定義された従来のメディアアクセス制御(MAC)プロトコルに課題をもたらす。 データ駆動MACプロトコルが最近登場し、特定のタスクのためにシグナリングメッセージをカスタマイズする機能を提供する。 本稿では、これらのデータ駆動MACプロトコルを、3つのレベルに分類する:レベル1 MAC。レベル2 MAC。レベル2 MAC。レベル1 MAC出力を明示的なシンボルに変換することによって開発されたニューラルネットワーク指向のシンボルプロトコル、レベル3 MAC。
  論文  参考訳（メタデータ） (2023-10-14T06:28:50Z)
• Cooperative Multi-Agent Learning for Navigation via Structured State Abstraction [35.137788512033694]
  本研究では,ナビゲーションタスクに参加するエージェント間の適応状態空間抽象化と通信プロトコルを学習するためのニューラルネットワークアーキテクチャを提案する。 目標は、政策性能を劣化させることなく、探索すべき状態空間のサイズを大幅に削減する適応的な抽象化器を考案することである。
  論文  参考訳（メタデータ） (2023-06-20T07:06:17Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• The Emergence of Wireless MAC Protocols with Multi-Agent Reinforcement Learning [15.790464310310083]
  本稿では,基地局 (BS) とユーザ機器 (UE) がマルチアクセスシナリオでメディアアクセス制御 (MAC) プロトコルを実現するための新しいフレームワークを提案する。 このフレームワークでは、BSとUEは強化学習(RL)エージェントであり、データを提供するために協力することを学ぶ必要がある。
  論文  参考訳（メタデータ） (2021-08-16T15:18:03Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)
• 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)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)
• 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。