論文の概要: A State-Augmented Approach for Learning Optimal Resource Management
Decisions in Wireless Networks
- arxiv url: http://arxiv.org/abs/2210.16412v1
- Date: Fri, 28 Oct 2022 21:24:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 16:53:10.299405
- Title: A State-Augmented Approach for Learning Optimal Resource Management
Decisions in Wireless Networks
- Title(参考訳): 無線ネットワークにおける最適資源管理決定のための状態拡張アプローチ
- Authors: Yi\u{g}it Berkay Uslu (1), Navid NaderiAlizadeh (1), Mark Eisen (2),
Alejandro Riberio (1) ((1) University of Pennsylvania, (2) Intel Corporation)
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 58.720142291102135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider a radio resource management (RRM) problem in a multi-user
wireless network, where the goal is to optimize a network-wide utility function
subject to constraints on the ergodic average performance of users. We propose
a state-augmented parameterization for the RRM policy, where alongside the
instantaneous network states, the RRM policy takes as input the set of dual
variables corresponding to the constraints. We provide theoretical
justification for the feasibility and near-optimality of the RRM decisions
generated by the proposed state-augmented algorithm. Focusing on the power
allocation problem with RRM policies parameterized by a graph neural network
(GNN) and dual variables sampled from the dual descent dynamics, we numerically
demonstrate that the proposed approach achieves a superior trade-off between
mean, minimum, and 5th percentile rates than baseline methods.
- Abstract(参考訳): 本稿では,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)の問題について考察する。
本稿では,ネットワーク状態と並行して,rrmポリシーが制約に対応する2変数の組を入力として使用する,rrmポリシーのパラメータ化を提案する。
本稿では,提案した状態拡張アルゴリズムによって生成されるRCM決定の有効性とほぼ最適性を理論的に正当化する。
グラフニューラルネットワーク (GNN) でパラメータ化された RRM ポリシーと二重降下力学からサンプリングされた双対変数に着目し,提案手法は平均, 最小, および 5 % のトレードオフ率において, ベースライン法よりも優れたトレードオフを実現することを数値的に示す。
関連論文リスト
- Semi-Supervised Learning Approach for Efficient Resource Allocation with
Network Slicing in O-RAN [5.6189692698829115]
Open Radio Access Network (O-RAN) は、ネットワークオペレーターにとって有望なソリューションである。
xAPP(x-applications)の効果的なコーディネーションの確保は、柔軟性の向上とネットワーク性能の最適化に不可欠である。
我々は、O-RANにおけるネットワークスライシングとリソースアロケーションのために、複数の独立したxAPPを協調させることを目的として、リソースアロケーション問題に革新的なアプローチを導入する。
論文 参考訳(メタデータ) (2024-01-16T22:23:27Z) - 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) - State-Augmented Learnable Algorithms for Resource Management in Wireless
Networks [124.89036526192268]
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。
論文 参考訳(メタデータ) (2022-07-05T18:02:54Z) - 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) - Ultra-Reliable Indoor Millimeter Wave Communications using Multiple
Artificial Intelligence-Powered Intelligent Surfaces [115.85072043481414]
複数人工知能(AI)対応再構成可能なインテリジェントサーフェス(RIS)を用いた超信頼性ミリ波(mmW)通信を保証する新しいフレームワークを提案する。
複数のAI駆動RISを使用することで、mmWアクセスポイント(AP)から送信される信号の伝搬方向を変更できます。
mmW APとRISのポリシーを制御するために、2つの集中型および分散コントローラが提案されている。
論文 参考訳(メタデータ) (2021-03-31T19:15:49Z) - Joint Resource Management for MC-NOMA: A Deep Reinforcement Learning
Approach [39.54978539962088]
本稿では, 共同資源管理(JRM)への新規かつ効果的な深層強化学習(DRL)に基づくアプローチを提案する。
実用的なマルチキャリア非直交多重アクセス(MC-NOMA)システムでは、ハードウェアの感度と不完全な連続干渉キャンセル(SIC)が考慮されます。
DRL-JRM方式はシステムスループットと干渉耐性の観点から既存の方式よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-03-29T06:52:19Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-27T17:38:51Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳(メタデータ) (2020-06-26T14:20:48Z)
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。