論文の概要: Efficient Beam Search for Initial Access Using Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2209.06669v1
- Date: Wed, 14 Sep 2022 14:25:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 14:05:37.853879
- Title: Efficient Beam Search for Initial Access Using Collaborative Filtering
- Title（参考訳）: コラボレーティブフィルタリングによる初期アクセスの効率的なビーム探索
- Authors: George Yammine, Georgios Kontes, Norbert Franke, Axel Plinge,
Christopher Mutschler
- Abstract要約: ビームフォーミング可能なアンテナアレイは、高いキャリア周波数での高自由空間パス損失を克服する。
ビームは、最高出力がユーザ機器(UE)に向けて放射される(かつ受信される)ことを保証するために、適切にアライメントされなければならない。
- 参考スコア（独自算出の注目度）: 1.496194593196997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Beamforming-capable antenna arrays overcome the high free-space path loss at
higher carrier frequencies. However, the beams must be properly aligned to
ensure that the highest power is radiated towards (and received by) the user
equipment (UE). While there are methods that improve upon an exhaustive search
for optimal beams by some form of hierarchical search, they can be prone to
return only locally optimal solutions with small beam gains. Other approaches
address this problem by exploiting contextual information, e.g., the position
of the UE or information from neighboring base stations (BS), but the burden of
computing and communicating this additional information can be high. Methods
based on machine learning so far suffer from the accompanying training,
performance monitoring and deployment complexity that hinders their application
at scale.
This paper proposes a novel method for solving the initial beam-discovery
problem. It is scalable, and easy to tune and to implement. Our algorithm is
based on a recommender system that associates groups (i.e., UEs) and
preferences (i.e., beams from a codebook) based on a training data set.
Whenever a new UE needs to be served our algorithm returns the best beams in
this user cluster. Our simulation results demonstrate the efficiency and
robustness of our approach, not only in single BS setups but also in setups
that require a coordination among several BSs. Our method consistently
outperforms standard baseline algorithms in the given task.
- Abstract（参考訳）: ビームフォーミング可能なアンテナアレイは、キャリア周波数の高い自由空間パス損失を克服する。
しかし、最も高い電力がユーザ機器(ue)に向かって放射されるように、ビームを適切に整列させなければならない。
何らかの階層探索によって最適なビームの徹底的な探索を改善する方法はあるが、小さなビームゲインを持つ局所最適解のみを返す傾向にある。
他のアプローチでは、UEの位置や近隣基地局(BS)の情報といったコンテキスト情報を活用することでこの問題に対処するが、計算と通信の負担は高い。
これまでの機械学習に基づく手法は、大規模なアプリケーションの障害となるトレーニング、パフォーマンス監視、デプロイメントの複雑さに悩まされている。
本稿では,初期ビーム発見問題の解法を提案する。
スケーラブルで、チューニングが容易で、実装も容易です。
我々のアルゴリズムは、トレーニングデータセットに基づいてグループ(UE)と好み(コードブックからのビーム)を関連付けるレコメンデータシステムに基づいている。
新しいUEを提供する必要があるときはいつでも、アルゴリズムがこのユーザクラスタで最高のビームを返す。
シミュレーションの結果,単一BSセットアップだけでなく,複数のBS間の協調を必要とするセットアップにおいても,我々のアプローチの効率性と堅牢性を示す。
提案手法は与えられたタスクにおける標準ベースラインアルゴリズムを一貫して上回る。
関連論文リスト
- Learning RL-Policies for Joint Beamforming Without Exploration: A Batch
Constrained Off-Policy Approach [1.0080317855851213]
本稿では,ネットワークにおけるパラメータキャンセル最適化の問題点について考察する。
探索と学習のために実世界でアルゴリズムをデプロイすることは、探索せずにデータによって達成できることを示す。
論文 参考訳（メタデータ） (2023-10-12T18:36:36Z) - Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。
我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
論文 参考訳（メタデータ） (2022-10-23T05:57:39Z) - Optimal Solutions for Joint Beamforming and Antenna Selection: From
Branch and Bound to Machine Learning [47.10315221141495]
本研究は、不完全なチャネル状態情報(CSI)の下で、継手ビームフォーミング(BF)とアンテナ選択(AS)の問題およびロバストビームフォーミング(RBF)バージョンを再検討する。
この研究の主な貢献は3つある。まず、関心事の問題を解決する効果的な分岐と境界(B&B)フレームワークを提案する。
第二に、潜在的にコストのかかるB&Bアルゴリズムを高速化するために、B&B検索ツリーの中間状態を省略する機械学習(ML)ベースのスキームが提案されている。
論文 参考訳（メタデータ） (2022-06-11T17:43:02Z) - Federated Learning with a Sampling Algorithm under Isoperimetry [9.990687944474738]
フェデレーション学習は、機械学習アルゴリズムのトレーニングを複数のデバイスに効率的に分散するために、一連のテクニックを使用する。
本稿では,Langevinvin のサンプル Aafteri の通信効率のよい変種を提案する。
論文 参考訳（メタデータ） (2022-06-02T08:19:03Z) - Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。
そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。
実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-05-12T02:23:25Z) - End-To-End Optimization of LiDAR Beam Configuration for 3D Object
Detection and Localization [87.56144220508587]
与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。
ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。
本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
論文 参考訳（メタデータ） (2022-01-11T09:46:31Z) - Learning Optimal Antenna Tilt Control Policies: A Contextual Linear
Bandit Approach [65.27783264330711]
セルラーネットワークにおけるアンテナ傾きの制御は、ネットワークのカバレッジとキャパシティの間の効率的なトレードオフに到達するために不可欠である。
既存のデータから最適な傾き制御ポリシーを学習するアルゴリズムを考案する。
従来のルールベースの学習アルゴリズムよりもはるかに少ないデータサンプルを用いて最適な傾き更新ポリシーを作成できることを示す。
論文 参考訳（メタデータ） (2022-01-06T18:24:30Z) - Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner
with Evolution-Based Optimization [49.207538634692916]
そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。
提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。
我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
論文 参考訳（メタデータ） (2021-10-08T07:22:45Z) - Sum-Rate Maximization for UAV-assisted Visible Light Communications
using NOMA: Swarm Intelligence meets Machine Learning [15.385078410753986]
非直交多重アクセスネットワークを用いたUAV支援可視光通信(VLC)を検討する。
サービス利用者とUAVの位置の合計を最大化するために、電力配分とUAV配置の問題を策定します。
ハリスホークス最適化(HHO)を用いて定式化課題の解法と効率的な解法を提案する。
論文 参考訳（メタデータ） (2021-01-10T08:21:49Z) - Communication-efficient distributed eigenspace estimation [31.69089186688224]
我々は,データ行列の先頭不変部分空間を計算するための通信効率のよい分散アルゴリズムを開発した。
提案アルゴリズムは局所解と参照解の間のプロクリスト距離を最小化する新しいアライメント方式を用いる。
本アルゴリズムは,集中型推定器と同様の誤差率を示す。
論文 参考訳（メタデータ） (2020-09-05T02:11:22Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳（メタデータ） (2020-05-22T23:07:42Z)
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。