論文の概要: Adaptive Target-Condition Neural Network: DNN-Aided Load Balancing for
Hybrid LiFi and WiFi Networks
- arxiv url: http://arxiv.org/abs/2208.05035v1
- Date: Tue, 9 Aug 2022 20:46:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-11 13:23:04.529526
- Title: Adaptive Target-Condition Neural Network: DNN-Aided Load Balancing for
Hybrid LiFi and WiFi Networks
- Title(参考訳): Adaptive Target-Condition Neural Network: ハイブリッドLiFiとWiFiネットワークのためのDNN支援ロードバランシング
- Authors: Han Ji, Qiang Wang, Stephen J. Redmond, Iman Tavakkolnia, Xiping Wu
- Abstract要約: 機械学習は、複雑性に優しいロードバランシングソリューションを提供する可能性がある。
学習支援のSOTA(State-of-the-art)は,ネットワーク環境が変化すると再学習を必要とする。
適応目標条件ニューラルネットワーク(A-TCNN)と呼ばれる新しいディープニューラルネットワーク(DNN)構造を提案する。
- 参考スコア(独自算出の注目度): 19.483289519348315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Load balancing (LB) is a challenging issue in the hybrid light fidelity
(LiFi) and wireless fidelity (WiFi) networks (HLWNets), due to the nature of
heterogeneous access points (APs). Machine learning has the potential to
provide a complexity-friendly LB solution with near-optimal network
performance, at the cost of a training process. The state-of-the-art (SOTA)
learning-aided LB methods, however, need retraining when the network
environment (especially the number of users) changes, significantly limiting
its practicability. In this paper, a novel deep neural network (DNN) structure
named adaptive target-condition neural network (A-TCNN) is proposed, which
conducts AP selection for one target user upon the condition of other users.
Also, an adaptive mechanism is developed to map a smaller number of users to a
larger number through splitting their data rate requirements, without affecting
the AP selection result for the target user. This enables the proposed method
to handle different numbers of users without the need for retraining. Results
show that A-TCNN achieves a network throughput very close to that of the
testing dataset, with a gap less than 3%. It is also proven that A-TCNN can
obtain a network throughput comparable to two SOTA benchmarks, while reducing
the runtime by up to three orders of magnitude.
- Abstract(参考訳): ロードバランシング(lb)は、異種アクセスポイント(aps)の性質上、ハイブリッド光忠実度(lifi)と無線忠実度(hlwnets)ネットワーク(hlwnets)において難しい問題である。
マシンラーニングは、トレーニングプロセスのコストで、ほぼ最適なネットワークパフォーマンスを備えた、複雑性に優しいLBソリューションを提供する可能性がある。
しかし、最新技術(SOTA)学習支援のLB手法は、ネットワーク環境(特にユーザ数)が変化すると再訓練を必要とし、その実践性を大幅に制限する。
本稿では,適応型ターゲット条件ニューラルネットワーク(A-TCNN)と呼ばれる新しいディープニューラルネットワーク(DNN)構造を提案する。
また、ターゲットユーザに対するAP選択結果に影響を与えることなく、データレート要求を分割することで、少数のユーザをより大きなユーザへマッピングする適応機構を開発する。
これにより,再トレーニングを必要とせず,異なるユーザ数を処理することができる。
その結果、A-TCNNはテストデータセットに非常に近いネットワークスループットを実現し、ギャップは3%未満であることがわかった。
また、A-TCNNは2つのSOTAベンチマークに匹敵するネットワークスループットを得ることができ、ランタイムを最大3桁まで削減することができる。
関連論文リスト
- Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳(メタデータ) (2023-09-12T13:03:47Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - Graph Neural Networks-Based User Pairing in Wireless Communication
Systems [0.34410212782758043]
ユーザペアリング問題を効率的に解くために,教師なしグラフニューラルネットワーク(GNN)アプローチを提案する。
提案手法は20dBのSNRにおいて,k平均よりも49%,SUSより95%高い総和率を達成する。
論文 参考訳(メタデータ) (2023-05-14T11:57:42Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural
Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。
提案されたSIDNNは、幅広いOPFスキームと互換性がある。
他のLearning-to-OPFスキームとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-03-27T00:45:23Z) - Encoding the latent posterior of Bayesian Neural Networks for
uncertainty quantification [10.727102755903616]
我々は,複雑なコンピュータビジョンアーキテクチャに適した効率的な深部BNNを目指している。
可変オートエンコーダ(VAE)を利用して、各ネットワーク層におけるパラメータの相互作用と潜在分布を学習する。
我々のアプローチであるLatent-Posterior BNN(LP-BNN)は、最近のBatchEnsemble法と互換性があり、高い効率(トレーニングとテストの両方における計算とメモリ)のアンサンブルをもたらす。
論文 参考訳(メタデータ) (2020-12-04T19:50:09Z) - Ensembled sparse-input hierarchical networks for high-dimensional
datasets [8.629912408966145]
サンプルサイズが小さい環境では,高密度ニューラルネットワークが実用的なデータ解析ツールであることを示す。
提案手法は,L1-ペナルティパラメータを2つだけ調整することで,ネットワーク構造を適切に調整する。
EASIER-netは、異なるサイズの実世界のデータセットのコレクションにおいて、データ適応方式でネットワークアーキテクチャを選択し、平均的なオフザシェルフ手法よりも高い予測精度を達成した。
論文 参考訳(メタデータ) (2020-05-11T02:08:53Z) - Self-Organized Operational Neural Networks with Generative Neurons [87.32169414230822]
ONNは、任意の非線型作用素をカプセル化できる一般化されたニューロンモデルを持つ異種ネットワークである。
我々は,各接続の結節演算子を適応(最適化)できる生成ニューロンを有する自己組織型ONN(Self-ONNs)を提案する。
論文 参考訳(メタデータ) (2020-04-24T14:37:56Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2020-04-06T15:51:00Z) - Multiple Access in Dynamic Cell-Free Networks: Outage Performance and
Deep Reinforcement Learning-Based Design [24.632250413917816]
将来のセルフリー(またはセルレス)無線ネットワークでは、地理的領域の多数のデバイスが同時に多数の分散アクセスポイント(AP)によって提供される。
我々は,多数のデバイスやAPが存在する場合に,ユーザの信号の共同処理の複雑さを低減するために,新しい動的セルフリーネットワークアーキテクチャを提案する。
システム設定では, DDPG-DDQN方式は, 網羅的な検索ベース設計により, 達成可能なレートの約78%を達成できることがわかった。
論文 参考訳(メタデータ) (2020-01-29T03:00:22Z)
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。