論文の概要: Decentralized Channel Management in WLANs with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2210.16949v1
- Date: Sun, 30 Oct 2022 21:14:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 19:57:47.466419
- Title: Decentralized Channel Management in WLANs with Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いたWLANにおける分散チャネル管理
- Authors: Zhan Gao and Yulin Shao and Deniz Gunduz and Amanda Prorok
- Abstract要約: 無線ローカルエリアネットワーク(WLAN)は、複数のアクセスポイント(AP)を管理し、トラフィック要求を満たすためにAPに無線周波数を割り当てる。
本稿では,分散的に実装可能な学習型ソリューションを提案する。
- 参考スコア（独自算出の注目度）: 17.464353263281907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wireless local area networks (WLANs) manage multiple access points (APs) and
assign scarce radio frequency resources to APs for satisfying traffic demands
of associated user devices. This paper considers the channel allocation problem
in WLANs that minimizes the mutual interference among APs, and puts forth a
learning-based solution that can be implemented in a decentralized manner. We
formulate the channel allocation problem as an unsupervised learning problem,
parameterize the control policy of radio channels with graph neural networks
(GNNs), and train GNNs with the policy gradient method in a model-free manner.
The proposed approach allows for a decentralized implementation due to the
distributed nature of GNNs and is equivariant to network permutations. The
former provides an efficient and scalable solution for large network scenarios,
and the latter renders our algorithm independent of the AP reordering.
Empirical results are presented to evaluate the proposed approach and
corroborate theoretical findings.
- Abstract（参考訳）: 無線ローカルエリアネットワーク(wlans)は、複数のアクセスポイント(aps)を管理し、関連するユーザデバイスのトラフィック要求を満たすためにapsに無線周波数リソースを割り当てる。
本稿では,AP間の相互干渉を最小限に抑えるWLANにおけるチャネル割り当て問題を考察し,分散的に実装可能な学習ベースソリューションを提案する。
本稿では,教師なし学習問題としてチャネル割り当て問題を定式化し,グラフニューラルネットワーク(gnns)を用いて無線チャネルの制御ポリシをパラメータ化し,モデルフリーでポリシー勾配法を用いてgnnを訓練する。
提案手法は,GNNの分散特性により分散化実装が可能であり,ネットワークの置換に等価である。
前者は大規模ネットワークシナリオに対して効率的でスケーラブルなソリューションを提供し、後者はAPの再注文とは無関係にアルゴリズムをレンダリングします。
提案手法を評価し, 理論的知見を裏付ける実験を行った。
関連論文リスト
- Unsupervised Graph-based Learning Method for Sub-band Allocation in 6G Subnetworks [2.0583251142940377]
グラフベース学習を用いた無線ネットワークにおける周波数サブバンド割り当てのための教師なし手法を提案する。
サブネットワーク配置を競合グラフとしてモデル化し,グラフカラー化とPottsモデルにインスパイアされた教師なし学習アプローチを提案し,サブバンド割り当てを最適化する。
論文 参考訳（メタデータ） (2023-12-13T12:57:55Z) - Decentralized Learning over Wireless Networks: The Effect of Broadcast
with Random Access [56.91063444859008]
本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。
この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
論文 参考訳（メタデータ） (2023-05-12T10:32:26Z) - 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) - Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。
チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
論文 参考訳（メタデータ） (2022-01-24T19:55:10Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳（メタデータ） (2021-06-15T09:03:28Z) - 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) - Decentralized Learning for Channel Allocation in IoT Networks over
Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。
本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-30T10:05:35Z)
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。