論文の概要: Network Utility Maximization with Unknown Utility Functions: A
Distributed, Data-Driven Bilevel Optimization Approach
- arxiv url: http://arxiv.org/abs/2301.01801v2
- Date: Fri, 6 Jan 2023 04:03:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 23:05:52.083052
- Title: Network Utility Maximization with Unknown Utility Functions: A
Distributed, Data-Driven Bilevel Optimization Approach
- Title（参考訳）: 未知のユーティリティ関数によるネットワークユーティリティの最大化: 分散データ駆動バイレベル最適化アプローチ
- Authors: Kaiyi Ji and Lei Ying
- Abstract要約: 既存のソリューションはほとんどの場合、各ユーザユーティリティ関数が知られて凹凸であると仮定する。
本稿では,ユーティリティ機能が不明な場合,ユーザに対して,どのようにリソースを割り当てるか,という問いに答える。
分散およびデータ駆動の双方向最適化アプローチを用いた新しいソリューションを提供する。
- 参考スコア（独自算出の注目度）: 25.47492126908931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fair resource allocation is one of the most important topics in communication
networks. Existing solutions almost exclusively assume each user utility
function is known and concave. This paper seeks to answer the following
question: how to allocate resources when utility functions are unknown, even to
the users? This answer has become increasingly important in the next-generation
AI-aware communication networks where the user utilities are complex and their
closed-forms are hard to obtain. In this paper, we provide a new solution using
a distributed and data-driven bilevel optimization approach, where the lower
level is a distributed network utility maximization (NUM) algorithm with
concave surrogate utility functions, and the upper level is a data-driven
learning algorithm to find the best surrogate utility functions that maximize
the sum of true network utility. The proposed algorithm learns from data
samples (utility values or gradient values) to autotune the surrogate utility
functions to maximize the true network utility, so works for unknown utility
functions. For the general network, we establish the nonasymptotic convergence
rate of the proposed algorithm with nonconcave utility functions. The
simulations validate our theoretical results and demonstrate the great
effectiveness of the proposed method in a real-world network.
- Abstract（参考訳）: 公平なリソース割り当ては、通信ネットワークにおける最も重要なトピックの1つである。
既存のソリューションはほとんどの場合、各ユーザユーティリティ関数が知られて凹凸であると仮定する。
本稿では,ユーティリティ機能が未知である場合,ユーザに対してどのようにリソースを割り当てるか,という問いに答える。
この答えは、ユーザユーティリティが複雑でクローズドフォームが入手困難である、次世代のAI対応通信ネットワークにおいてますます重要になっている。
本稿では,分散およびデータ駆動の双方向最適化手法を用いて,分散ネットワークユーティリティ最大化(NUM)アルゴリズムと,データ駆動学習アルゴリズムを用いて,真のネットワークユーティリティの総和を最大化するための最良サロゲートユーティリティ関数を求める。
提案アルゴリズムは、データサンプル(ユーティリティ値または勾配値)から学習し、サロゲートユーティリティ関数を自動チューニングして真のネットワークユーティリティを最大化するので、未知のユーティリティ関数で機能する。
一般ネットワークでは,提案アルゴリズムの非凹凸汎関数による非漸近収束率を定式化する。
提案手法の有効性を実世界のネットワークで検証し,提案手法の有効性を検証した。
関連論文リスト
- Bayesian Optimization of Function Networks with Partial Evaluations [16.447868102676885]
本稿では,どのノードと対応する入力を選択して,コストを意識して評価する知識勾配獲得関数を提案する。
我々の獲得関数は、幅広い種類の関数ネットワークの費用対効果を最適化する最初の方法である。
論文 参考訳（メタデータ） (2023-11-03T17:55:08Z) - Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB
networks [0.0]
統合アクセスとバックハウリング(IRL)は、将来の世代におけるより高いデータレートに対する前例のない要求を満たすための、実行可能なアプローチである。
本稿では,分数ノードに付随する巨大なアクション空間の問題を,Deep Q-Learning Networkを用いて処理する方法を示す。
論文 参考訳（メタデータ） (2023-08-31T21:30:25Z) - Towards Sequence Utility Maximization under Utility Occupancy Measure [53.234101208024335]
データベースでは、ユーティリティは各パターンに対して柔軟な基準であるが、ユーティリティ共有を無視するため、より絶対的な基準である。
まず、まず、シーケンスデータに対するユーティリティの占有を定義し、高ユーティリティ・アクシデント・パターンマイニングの問題を提起する。
SuMU(Sequence Utility Maximization with Utility cccupancy measure)と呼ばれるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-20T17:28:53Z) - Sequential Information Design: Markov Persuasion Process and Its
Efficient Reinforcement Learning [156.5667417159582]
本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。
MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。
我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
論文 参考訳（メタデータ） (2022-02-22T05:41:43Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z) - Learning-NUM: Network Utility Maximization with Unknown Utility
Functions and Queueing Delay [29.648462942501084]
ユーザの実用関数が未知の apriori である新しい NUM フレームワークである Learning-NUM を提案する。
最適な動的ポリシーによって得られる期待される全効用は、静的最適化問題に対する解によって上限される。
フィードバック遅延を処理するために、アルゴリズムを並列インスタンスパラダイムに組み込み、$tildeO(T3/4)$-regret、すなわち最良の動的ポリシーによって得られる期待されるユーティリティと私たちのポリシーの違いを$tildeO(Tilde)で実現するポリシーを作成します。
論文 参考訳（メタデータ） (2020-12-16T19:36:25Z) - Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。
本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。
実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-21T07:02:07Z) - Activation functions are not needed: the ratio net [3.9636371287541086]
本稿では,新しい関数近似器の設計に焦点をあてる。
新しいアクティベーション関数やカーネル関数を設計する代わりに、新しい提案されたネットワークは分数形式を使用する。
その結果、ほとんどの場合、比率ネットはより速く収束し、分類とRBFの両方を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-05-14T01:07:56Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - Sparse Optimization for Green Edge AI Inference [28.048770388766716]
エネルギー効率の良いエッジAI推論を実現するために,共同推論タスク選択とダウンリンクビームフォーミング戦略を提案する。
タスク選択の集合とグループ間隔送信ビームフォーミングベクトルとの固有の接続を利用して、グループスパースビームフォーミング問題として最適化を再構成する。
我々は,グローバル収束解析を確立し,このアルゴリズムのエルゴード最悪の収束率を提供する。
論文 参考訳（メタデータ） (2020-02-24T05:21:58Z) - 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。