論文の概要: Beam Management in Ultra-dense mmWave Network via Federated Reinforcement Learning: An Intelligent and Secure Approach

• arxiv url: http://arxiv.org/abs/2210.01307v1
• Date: Tue, 4 Oct 2022 01:47:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 15:28:56.530232
• Title: Beam Management in Ultra-dense mmWave Network via Federated Reinforcement Learning: An Intelligent and Secure Approach
• Title（参考訳）: 連合強化学習による超高密度mm波ネットワークにおけるビーム管理 : インテリジェントでセキュアなアプローチ
• Authors: Qing Xue, Yi-Jing Liu, Yao Sun, Jian Wang, Li Yan, Gang Feng, and Shaodan Ma
• Abstract要約: 超高密度ミリ波ネットワーク(UDmmWave)の鍵となる課題は、高伝搬遅延制限ビームカバレッジによるビーム管理である。 本稿では,ユーザプライバシを理論的に保護し,ハンドオフコストを低減できる新しいビーム管理手法を提案する。
• 参考スコア（独自算出の注目度）: 19.01563068819449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying ultra-dense networks that operate on millimeter wave (mmWave) band is a promising way to address the tremendous growth on mobile data traffic. However, one key challenge of ultra-dense mmWave network (UDmmN) is beam management due to the high propagation delay, limited beam coverage as well as numerous beams and users. In this paper, a novel systematic beam control scheme is presented to tackle the beam management problem which is difficult due to the nonconvex objective function. We employ double deep Q-network (DDQN) under a federated learning (FL) framework to address the above optimization problem, and thereby fulfilling adaptive and intelligent beam management in UDmmN. In the proposed beam management scheme based on FL (BMFL), the non-rawdata aggregation can theoretically protect user privacy while reducing handoff cost. Moreover, we propose to adopt a data cleaning technique in the local model training for BMFL, with the aim to further strengthen the privacy protection of users while improving the learning convergence speed. Simulation results demonstrate the performance gain of our proposed scheme.
• Abstract（参考訳）: ミリ波(mmWave)帯域で動作する超高密度ネットワークの展開は,モバイルデータトラフィックの大幅な増加に対応する,有望な方法である。 しかしながら、udmmn(ultra-dense mmwave network)の鍵となる課題は、高い伝搬遅延、限られたビームカバレッジ、多数のビームやユーザによるビーム管理である。 本稿では,非凸目的関数のため困難なビーム管理問題に対処するために,新しい系統的なビーム制御方式を提案する。 我々は、上記の最適化問題に対処するため、フェデレートラーニング(FL)フレームワークの下で二重深度Q-ネットワーク(DDQN)を採用し、UDmmNにおける適応的およびインテリジェントなビーム管理を実現する。 FL(BMFL)に基づくビーム管理方式では,非データアグリゲーションはユーザプライバシを理論的に保護し,ハンドオフコストを低減できる。 さらに,bmflのローカルモデルトレーニングにおいて,学習収束速度を向上しつつ,ユーザのプライバシー保護をさらに強化することを目的としたデータクリーニング手法を採用することを提案する。 シミュレーション結果は,提案手法の性能向上を示す。

関連論文リスト

• Structured Reinforcement Learning for Delay-Optimal Data Transmission in Dense mmWave Networks [16.503911829712717]
  本研究では,高密度セルフリーミリ波(mmWave)ネットワークにおけるデータパケット伝送問題(mmDPT)について検討する。 我々の目標は、APsのサービス容量の制限とAPとユーザ間の無線チャネルによるシステムの遅延を最小化することである。
  論文  参考訳（メタデータ） (2024-04-25T17:26:41Z)
• Multi-Agent Context Learning Strategy for Interference-Aware Beam Allocation in mmWave Vehicular Communications [8.29063749138322]
  我々は,Multi-Agent Context Learning (MACOL) と呼ばれる新しい戦略を開発し,ネットワーク内の車両に対してmWaveビームを割り当てながら干渉を管理する。 提案手法は,近隣のビーム状態の知識を活用することで,機械学習エージェントが他の送信に干渉する可能性のある送信を識別・回避できることを実証する。
  論文  参考訳（メタデータ） (2024-01-04T15:43:55Z)
• Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
  我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。 教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
  論文  参考訳（メタデータ） (2023-05-08T05:40:54Z)
• 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)
• Intelligent Blockage Prediction and Proactive Handover for Seamless Connectivity in Vision-Aided 5G/6G UDNs [8.437758224218648]
  超高密度ネットワーク(UDN)におけるモビリティ管理の課題 本稿では,無線信号とオンロード監視システムを利用した新しいメカニズムを提案し,ブロックの可能性を事前に予測し,タイムリーなハンドオーバ(HO)を行う。 その結果,我々のBLK検出とPHOアルゴリズムは,ユーザ接続性および要求品質(QoE)の40%向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-02-21T16:21:49Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
  離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。 本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
  論文  参考訳（メタデータ） (2021-01-05T03:55:04Z)
• ESMFL: Efficient and Secure Models for Federated Learning [28.953644581089495]
  本稿では,Intel Software Guard Extensions上で運用されるフェデレーション学習分散システムのプライバシ保護手法を提案する。 我々は、スペーシングにより通勤コストを削減し、異なるモデルアーキテクチャで妥当な精度を達成することができる。
  論文  参考訳（メタデータ） (2020-09-03T18:27:32Z)

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。