論文の概要: Deep Reinforcement Learning for Uplink Multi-Carrier Non-Orthogonal Multiple Access Resource Allocation Using Buffer State Information

• arxiv url: http://arxiv.org/abs/2208.14689v1
• Date: Wed, 31 Aug 2022 08:36:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:57:31.717072
• Title: Deep Reinforcement Learning for Uplink Multi-Carrier Non-Orthogonal Multiple Access Resource Allocation Using Buffer State Information
• Title（参考訳）: バッファ状態情報を用いたアップリンクマルチキャリア非直交多元アクセスリソース割り当てのための深層強化学習
• Authors: Eike-Manuel Bansbach, Yigit Kiyak, Laurent Schmalen
• Abstract要約: バッファ状態情報(BSI)はOMAシステムのスケジューリングを改善するために使用できる。 UEをリソースに割り当てる広い空間を扱うために,アクター批判学習に基づく新しいスケジューラを提案する。 提案したスケジューラはベンチマークスケジューラより優れている。
• 参考スコア（独自算出の注目度）: 1.7188280334580193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For orthogonal multiple access (OMA) systems, the number of served user equipments (UEs) is limited to the number of available orthogonal resources. On the other hand, non-orthogonal multiple access (NOMA) schemes allow multiple UEs to use the same orthogonal resource. This extra degree of freedom introduces new challenges for resource allocation. Buffer state information (BSI), like the size and age of packets waiting for transmission, can be used to improve scheduling in OMA systems. In this paper, we investigate the impact of BSI on the performance of a centralized scheduler in an uplink multi-carrier NOMA scenario with UEs having various data rate and latency requirements. To handle the large combinatorial space of allocating UEs to the resources, we propose a novel scheduler based on actor-critic reinforcement learning incorporating BSI. Training and evaluation are carried out using Nokia's "wireless suite". We propose various novel techniques to both stabilize and speed up training. The proposed scheduler outperforms benchmark schedulers.
• Abstract（参考訳）: 直交多重アクセス(OMA)システムでは、サービスされたユーザ機器(UE)の数は、利用可能な直交リソースの数に限られる。 一方、非直交多重アクセス(NOMA)方式では、複数のUEが同じ直交リソースを使用することができる。 この余分な自由度は、リソース割り当てに新たな課題をもたらす。 バッファ状態情報(BSI)は、伝送待ちのパケットのサイズや年齢と同様に、OMAシステムのスケジューリングを改善するために使われる。 本稿では,データレートとレイテンシの異なるUEを用いたアップリンクマルチキャリアNOMAシナリオにおいて,BSIが集中型スケジューラの性能に与える影響について検討する。 資源にuesを割り当てる大きな組合せ空間を扱うため,bsiを組み込んだアクタ-クリティック強化学習に基づく新しいスケジューラを提案する。 Nokia の "wireless suite" を使用して,トレーニングと評価を行う。 我々は、トレーニングの安定化とスピードアップを両立させる様々な新しい手法を提案する。 提案するスケジューラはベンチマークスケジューラを上回る。

関連論文リスト

• Online Frequency Scheduling by Learning Parallel Actions [5.9838600557884805]
  周波数リソースは、同じサブバンド内の同時送信を許可しながら、ユーザのセットに割り当てられる必要がある。 従来の手法は、関連するすべての制約や不確実性に対処するには不十分である。 本稿では,並列決定機能を備えたQラーニングアーキテクチャであるサブバンド上でのアクションブランチに基づくスケジューラを提案する。
  論文  参考訳（メタデータ） (2024-06-07T16:14:51Z)
• A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC in Industrial IoT [16.167107624956294]
  産業用IoT(Industrial Internet of Things)ネットワークは、重要なプロセスをサポートするために、ウルトラ信頼性の低い低レイテンシ通信(URLLC)を提供する。 無線リソースを割り当てるための標準プロトコルは、特にアップリンク通信において、レイテンシと信頼性のトレードオフを最適化しない可能性がある。
  論文  参考訳（メタデータ） (2023-11-21T12:22:04Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• Multi-Job Intelligent Scheduling with Cross-Device Federated Learning [65.69079337653994]
  フェデレートラーニング(FL)は、センシティブな生データを共有せずに、協調的なグローバル機械学習モデルのトレーニングを可能にする。 本稿では,複数のジョブを並列にトレーニングできる新しいマルチジョブFLフレームワークを提案する。 本稿では,元来の強化学習に基づくスケジューリング手法と元来のベイズ最適化に基づくスケジューリング手法を含む,複数のスケジューリング手法に基づく新しいインテリジェントスケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-24T06:17:40Z)
• Efficient Device Scheduling with Multi-Job Federated Learning [64.21733164243781]
  本稿では,複数のジョブの並列学習プロセスを実現するための,新しいマルチジョブフェデレーション学習フレームワークを提案する。 コストを最小化しつつ、複数のジョブに対してデバイスをスケジュールする強化学習法とベイズ最適化法を提案する。 提案手法は,トレーニング時間(最大8.67倍高速)と精度(最大44.6%高)において,ベースラインアプローチよりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-12-11T08:05:11Z)
• Deep Reinforcement Learning for Wireless Resource Allocation Using Buffer State Information [1.2891210250935146]
  無線ネットワークにおけるリソース割り当て問題に対処する。 特に、異なる入力キャッピング周波数を評価する。 ベンチマークエージェントは、エージェントよりも明らかに優れています。
  論文  参考訳（メタデータ） (2021-08-27T09:37:04Z)
• Multi-task Over-the-Air Federated Learning: A Non-Orthogonal Transmission Approach [52.85647632037537]
  複数の学習タスクがエッジサーバ(ES)の協調の下でデータ収集および学習モデルのためのエッジデバイスを共有するマルチタスク・オーバーテア・フェデレーション・ラーニング(MOAFL)フレームワークを提案する。 収束解析と数値計算の両方の結果から,MOAFLフレームワークは学習性能を著しく低下させることなく,複数のタスクのアップリンク帯域幅の消費を大幅に削減できることが示された。
  論文  参考訳（メタデータ） (2021-06-27T13:09:32Z)
• Deep Reinforcement Learning for Resource Constrained Multiclass Scheduling in Wireless Networks [0.0]
  セットアップでは、ランダムに到着するサービス要求に対応するために、利用可能な限られた帯域幅のリソースを割り当てます。 本稿では,Deep Setsと組み合わせた分布型Deep Deterministic Policy Gradient (DDPG)アルゴリズムを提案する。 提案アルゴリズムは, 合成データと実データの両方で検証し, 従来手法に対する一貫した利得を示す。
  論文  参考訳（メタデータ） (2020-11-27T09:49:38Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Scheduling Policy and Power Allocation for Federated Learning in NOMA Based MEC [21.267954799102874]
  Federated Learning(FL)は、データ分散を維持しながらモデルを集中的にトレーニングできる、高度に追求された機械学習技術である。 重み付き和データレートを最大化するために、非直交多重アクセス(NOMA)設定を用いた新しいスケジューリングポリシーと電力割当方式を提案する。 シミュレーションの結果,提案手法は,NOMAベースの無線ネットワークにおいて高いFLテスト精度を実現するのに有効であることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T23:07:41Z)
• Scheduling for Cellular Federated Edge Learning with Importance and Channel Awareness [47.15628532987155]
  セルラーフェデレーションエッジ学習(FEEL)では、ローカルデータを保持する複数のエッジデバイスが、データサンプルを交換することなく、学習更新をアクセスポイントと通信することで、ニューラルネットワークを共同で訓練する。 本稿では,マルチユーザチャネルの多様性と,エッジデバイスの学習更新における「重要度」の多様性を両立させる新しいスケジューリングポリシーを提案する。
  論文  参考訳（メタデータ） (2020-04-01T15:09:45Z)

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。