論文の概要: State-Augmented Learnable Algorithms for Resource Management in Wireless Networks

• arxiv url: http://arxiv.org/abs/2207.02242v1
• Date: Tue, 5 Jul 2022 18:02:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 13:15:57.892873
• Title: State-Augmented Learnable Algorithms for Resource Management in Wireless Networks
• Title（参考訳）: 無線ネットワークにおける資源管理のための状態学習アルゴリズム
• Authors: Navid NaderiAlizadeh, Mark Eisen, Alejandro Ribeiro
• Abstract要約: 本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。 提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
• 参考スコア（独自算出の注目度）: 124.89036526192268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider resource management problems in multi-user wireless networks, which can be cast as optimizing a network-wide utility function, subject to constraints on the long-term average performance of users across the network. We propose a state-augmented algorithm for solving the aforementioned radio resource management (RRM) problems, where, alongside the instantaneous network state, the RRM policy takes as input the set of dual variables corresponding to the constraints, which evolve depending on how much the constraints are violated during execution. We theoretically show that the proposed state-augmented algorithm leads to feasible and near-optimal RRM decisions. Moreover, focusing on the problem of wireless power control using graph neural network (GNN) parameterizations, we demonstrate the superiority of the proposed RRM algorithm over baseline methods across a suite of numerical experiments.
• Abstract（参考訳）: ネットワーク全体の実用機能に最適化できるマルチユーザ無線ネットワークにおける資源管理の問題点を,ネットワーク全体のユーザの長期的平均性能の制約に照らして考察する。 本稿では,上記の無線資源管理(rrm)問題を解決するための状態提供アルゴリズムを提案する。即時ネットワーク状態と並行して,rrmポリシが制約に対応する2つの変数のセットを入力とし,実行中にどの程度の制約に違反しているかに応じて進化させる。 理論的には,提案した状態拡張アルゴリズムが実効的かつほぼ最適なRTM決定につながることを示す。 さらに,グラフニューラルネットワーク(GNN)パラメータ化を用いた無線電力制御の問題に焦点をあて,一連の数値実験において,ベースライン法よりもRTMアルゴリズムの方が優れていることを示す。

関連論文リスト

• Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
  本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-25T07:42:30Z)
• Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
  我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。 最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-02T01:36:13Z)
• Multi-Agent Reinforcement Learning for Network Routing in Integrated Access Backhaul Networks [0.0]
  IABネットワークの遅延を最小化しながらパケット到着率を最大化することを目的としている。 この問題を解決するため、我々はマルチエージェントで部分的に観察されたマルコフ決定プロセス(POMD)を開発した。 A2Cは他の強化学習アルゴリズムよりも優れており、ネットワーク効率が向上し、利己的エージェントの挙動が低下することを示した。
  論文  参考訳（メタデータ） (2023-05-12T13:03:26Z)
• Decentralized Channel Management in WLANs with Graph Neural Networks [17.464353263281907]
  無線ローカルエリアネットワーク(WLAN)は、複数のアクセスポイント(AP)を管理し、トラフィック要求を満たすためにAPに無線周波数を割り当てる。 本稿では,分散的に実装可能な学習型ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-30T21:14:45Z)
• A State-Augmented Approach for Learning Optimal Resource Management Decisions in Wireless Networks [58.720142291102135]
  マルチユーザ無線ネットワークにおける無線リソース管理(RRM)問題について考察する。 目標は、ユーザのエルゴード平均パフォーマンスに制約を受けるネットワーク全体のユーティリティ機能を最適化することである。 本稿では, RRM の制約に対応する2変数の集合を入力として, 瞬時ネットワーク状態と並行して, RRM のパラメータ化を提案する。
  論文  参考訳（メタデータ） (2022-10-28T21:24:13Z)
• Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN [11.464582983164991]
  新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。 O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。 本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-30T17:00:53Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
  複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。 本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:24:47Z)

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。