論文の概要: Machine Learning for Large-Scale Optimization in 6G Wireless Networks

• arxiv url: http://arxiv.org/abs/2301.03377v1
• Date: Tue, 3 Jan 2023 13:56:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-15 22:57:00.907053
• Title: Machine Learning for Large-Scale Optimization in 6G Wireless Networks
• Title（参考訳）: 6G無線ネットワークにおける大規模最適化のための機械学習
• Authors: Yandong Shi, Lixiang Lian, Yuanming Shi, Zixin Wang, Yong Zhou, Liqun Fu, Lin Bai, Jun Zhang and Wei Zhang
• Abstract要約: 6G無線システムは、"コネクテッドモノ"から"コネクテッドインテリジェンス"へのパラダイムシフトを可能にする。 機械学習(ML)は、6Gにおける多くの複雑な大規模最適化問題に対して、有望で実行可能な方法論として際立っている。 本稿では,6G無線ネットワークの多様な領域において,最も代表的な「最適化学習」手法を体系的に検討する。
• 参考スコア（独自算出の注目度）: 27.947500165976486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The sixth generation (6G) wireless systems are envisioned to enable the paradigm shift from "connected things" to "connected intelligence", featured by ultra high density, large-scale, dynamic heterogeneity, diversified functional requirements and machine learning capabilities, which leads to a growing need for highly efficient intelligent algorithms. The classic optimization-based algorithms usually require highly precise mathematical model of data links and suffer from poor performance with high computational cost in realistic 6G applications. Based on domain knowledge (e.g., optimization models and theoretical tools), machine learning (ML) stands out as a promising and viable methodology for many complex large-scale optimization problems in 6G, due to its superior performance, generalizability, computational efficiency and robustness. In this paper, we systematically review the most representative "learning to optimize" techniques in diverse domains of 6G wireless networks by identifying the inherent feature of the underlying optimization problem and investigating the specifically designed ML frameworks from the perspective of optimization. In particular, we will cover algorithm unrolling, learning to branch-and-bound, graph neural network for structured optimization, deep reinforcement learning for stochastic optimization, end-to-end learning for semantic optimization, as well as federated learning for distributed optimization, for solving challenging large-scale optimization problems arising from various important wireless applications. Through the in-depth discussion, we shed light on the excellent performance of ML-based optimization algorithms with respect to the classical methods, and provide insightful guidance to develop advanced ML techniques in 6G networks.
• Abstract（参考訳）: 第6世代(6G)無線システムは、超高密度、大規模でダイナミックな異質性、機能要件の多様化、機械学習能力といった特徴を持つ「接続物」から「接続知性」へのパラダイムシフトを可能にするため、高効率なインテリジェントアルゴリズムの必要性が高まっている。 古典的な最適化に基づくアルゴリズムは通常、データリンクの高精度な数学的モデルを必要とし、現実的な6Gアプリケーションでは計算コストの高い性能に悩まされる。 ドメイン知識(例えば最適化モデルや理論ツール)に基づいて、機械学習(ml)は、6gにおける多くの複雑な大規模最適化問題に対して有望で実行可能な方法論である。 本稿では,6G無線ネットワークの多様な領域における最も代表的な「最適化学習」手法について,基礎となる最適化問題の本質的特徴を特定し,最適化の観点から特定の設計されたMLフレームワークについて検討する。 特に、アルゴリズムの展開、構造最適化のための分岐境界学習、確率最適化のためのディープ強化学習、セマンティック最適化のためのエンドツーエンド学習、分散最適化のための連合学習、様々な重要なワイヤレスアプリケーションから発生する大規模最適化問題を解く。 そこで本研究では,従来の手法に関して,MLに基づく最適化アルゴリズムの優れた性能に光を当て6Gネットワークにおける高度なML技術開発のための洞察力のあるガイダンスを提供する。

関連論文リスト

• Meta-Learning Based Optimization for Large Scale Wireless Systems [45.025621137165025]
  文献における従来の最適化アルゴリズムの限界は、無線システムにおける送信アンテナ数や通信ユーザ数によって増大することが知られている。 本稿では,教師なしメタラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-07-01T21:45:27Z)
• An Overview of Machine Learning-Enabled Optimization for Reconfigurable Intelligent Surfaces-Aided 6G Networks: From Reinforcement Learning to Large Language Models [16.3772708546698]
  RIS支援6Gネットワークに対する機械学習(ML)対応最適化の概要について述べる。 既存の研究と異なり、大規模言語モデル(LLM)がRLとどのように組み合わせてネットワーク最適化問題に対処できるかをさらに議論する。
  論文  参考訳（メタデータ） (2024-05-09T03:07:59Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Approaching Globally Optimal Energy Efficiency in Interference Networks via Machine Learning [22.926877147296594]
  本研究は,マルチセル無線ネットワークにおけるエネルギー効率(EE)を最適化する機械学習手法を提案する。 その結果,この手法は分岐計算テストにより最適値に近いEEを達成できることが判明した。
  論文  参考訳（メタデータ） (2022-11-25T08:36:34Z)
• VeLO: Training Versatile Learned Optimizers by Scaling Up [67.90237498659397]
  私たちは、ディープラーニングの成功の背後にある同じスケーリングアプローチを活用して、汎用性を学びます。 私たちは、パラメータの更新を取り込み出力する小さなニューラルネットワークであるディープラーニングのためのインジェクションをトレーニングします。 学習したメタトレーニングコード、関連するトレインテストデータ、およびvelo-code.ioのベースラインを備えた広範なベンチマークスイートをオープンソースとして公開しています。
  論文  参考訳（メタデータ） (2022-11-17T18:39:07Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)
• Optimizing Wireless Systems Using Unsupervised and Reinforced-Unsupervised Deep Learning [96.01176486957226]
  無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。 本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
  論文  参考訳（メタデータ） (2020-01-03T11:01:52Z)

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。