Fugu-MT 論文翻訳(概要): Online Learning for Adaptive Probing and Scheduling in Dense WLANs

論文の概要: Online Learning for Adaptive Probing and Scheduling in Dense WLANs

arxiv url: http://arxiv.org/abs/2212.13585v1
Date: Tue, 27 Dec 2022 19:12:17 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 15:03:04.660278
Title: Online Learning for Adaptive Probing and Scheduling in Dense WLANs
Title（参考訳）: WLANにおける適応型探索とスケジューリングのためのオンライン学習
Authors: Tianyi Xu, Ding Zhang and Zizhan Zheng
Abstract要約: 既存のネットワークスケジューリングソリューションは、スケジューリング決定が下される前に、瞬時リンクレートが完全に知られていると仮定する。探索決定が適応的でない場合に性能を保証する近似アルゴリズムを開発する。我々は、未知のリンクレート分布でオンライン設定にソリューションを拡張し、文脈帯域ベースのアルゴリズムを開発する。
参考スコア（独自算出の注目度）: 4.585894579981477
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing solutions to network scheduling typically assume that the instantaneous link rates are completely known before a scheduling decision is made or consider a bandit setting where the accurate link quality is discovered only after it has been used for data transmission. In practice, the decision maker can obtain (relatively accurate) channel information, e.g., through beamforming in mmWave networks, right before data transmission. However, frequent beamforming incurs a formidable overhead in densely deployed mmWave WLANs. In this paper, we consider the important problem of throughput optimization with joint link probing and scheduling. The problem is challenging even when the link rate distributions are pre-known (the offline setting) due to the necessity of balancing the information gains from probing and the cost of reducing the data transmission opportunity. We develop an approximation algorithm with guaranteed performance when the probing decision is non-adaptive, and a dynamic programming based solution for the more challenging adaptive setting. We further extend our solutions to the online setting with unknown link rate distributions and develop a contextual-bandit based algorithm and derive its regret bound. Numerical results using data traces collected from real-world mmWave deployments demonstrate the efficiency of our solutions.
Abstract（参考訳）: ネットワークスケジューリングに対する既存のソリューションは、スケジューリング決定が行われる前に瞬時リンクレートが完全に分かっていると仮定するか、データ転送に使われた後のみ正確なリンク品質が検出されるバンディット設定を考える。実際、意思決定者は、例えば、データ伝送直前のmWaveネットワークのビームフォーミングを通じて(比較的正確な)チャネル情報を得ることができる。しかし、頻繁なビームフォーミングは、高密度に展開されたmmWave WLANにおいて、強烈なオーバーヘッドを引き起こす。本稿では,ジョイントリンク探索とスケジューリングによるスループット最適化の重要な課題について考察する。この問題は、情報収集から得られる情報のバランスとデータ送信機会の削減コストのバランスの必要性から、リンクレート分布(オフライン設定)が既知である場合でも困難である。探索決定が非適応性である場合に性能が保証される近似アルゴリズムを開発し、より困難な適応設定のための動的プログラミングベースソリューションを提案する。我々はさらに,未知のリンクレート分布を持つオンライン環境へのソリューションを拡張し,文脈帯域ベースのアルゴリズムを開発し,その後悔の束縛を導出する。実世界のmmwaveデプロイメントから収集したデータトレースを用いた数値結果は、ソリューションの効率を示している。

関連論文リスト

Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文参考訳（メタデータ） (2023-08-04T04:18:01Z)
Learning to Transmit with Provable Guarantees in Wireless Federated Learning [40.11488246920875]
干渉制限無線ネットワーク上でのフェデレーション学習(FL)に送信電力を割り当てる新しいデータ駆動方式を提案する。提案手法は、FLトレーニングプロセス中に無線チャネルが変化している場合の課題に有用である。最終的な目標は、訓練中のグローバルFLモデルの精度と効率を改善することです。
論文参考訳（メタデータ） (2023-04-18T22:28:03Z)
Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックであるまず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文参考訳（メタデータ） (2022-04-20T19:09:52Z)
Over-the-Air Federated Learning via Second-Order Optimization [37.594140209854906]
フェデレートラーニング(FL)は、無線ネットワーク上でのタスク指向のデータトラフィックを、限られた無線リソースによって引き起こす可能性がある。本稿では,通信ラウンドを同時に削減し,低レイテンシなグローバルモデルアグリゲーションを実現するために,空対2次フェデレーション最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-03-29T12:39:23Z)
Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文参考訳（メタデータ） (2021-11-26T18:44:59Z)
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)
Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文参考訳（メタデータ） (2021-05-01T10:18:34Z)
Adaptive Transmission Scheduling in Wireless Networks for Asynchronous Federated Learning [13.490583662839725]
無線学習ネットワーク(WDLN)における非同期フェデレーションラーニング(FL)の研究 Asynchronous Learning-Aware transmission Scheduling (ALS) 問題を定式化し、効果スコアを最大化します。 ALSアルゴリズムによって訓練されたモデルが理想的なベンチマークによってそれに近い性能を達成することをシミュレーションによって示します。
論文参考訳（メタデータ） (2021-03-02T02:28:20Z)
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)
Dynamic Compression Ratio Selection for Edge Inference Systems with Hard Deadlines [9.585931043664363]
本稿では,ハード期限付きエッジ推論システムの動的圧縮比選択手法を提案する。誤り推論により少ない圧縮データを再送信する情報拡張を提案し,精度向上を図る。無線伝送エラーを考慮し、パケット損失による性能劣化を低減する再送信方式を更に設計する。
論文参考訳（メタデータ） (2020-05-25T17:11:53Z)
Channel Assignment in Uplink Wireless Communication using Machine Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文参考訳（メタデータ） (2020-01-12T15:54:20Z)

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。