論文の概要: Multi-Power Level $Q$-Learning Algorithm for Random Access in NOMA mMTC Systems

• arxiv url: http://arxiv.org/abs/2301.05196v1
• Date: Thu, 12 Jan 2023 18:31:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 15:47:10.066212
• Title: Multi-Power Level $Q$-Learning Algorithm for Random Access in NOMA mMTC Systems
• Title（参考訳）: NOMA mMTCシステムにおけるランダムアクセスのためのマルチパワーレベル$Q$学習アルゴリズム
• Authors: Giovanni Maciel Ferreira Silva, Taufik Abr\~ao
• Abstract要約: マシン型通信(mMTC)は、第5世代無線通信(B5G)を統合するための新しいサービスの一部である。 大規模ランダムアクセス(RA)問題は、2つ以上のデバイスが同じリソースブロックを選択するときに衝突する際に発生する。 非直交多重アクセス(NOMA)伝送方式を用いて伝送電力の多様性を生成するマルチパワーレベルQL(MPL-QL)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The massive machine-type communications (mMTC) service will be part of new services planned to integrate the fifth generation of wireless communication (B5G). In mMTC, thousands of devices sporadically access available resource blocks on the network. In this scenario, the massive random access (RA) problem arises when two or more devices collide when selecting the same resource block. There are several techniques to deal with this problem. One of them deploys $Q$-learning (QL), in which devices store in their $Q$-table the rewards sent by the central node that indicate the quality of the transmission performed. The device learns the best resource blocks to select and transmit to avoid collisions. We propose a multi-power level QL (MPL-QL) algorithm that uses non-orthogonal multiple access (NOMA) transmit scheme to generate transmission power diversity and allow {accommodate} more than one device in the same time-slot as long as the signal-to-interference-plus-noise ratio (SINR) exceeds a threshold value. The numerical results reveal that the best performance-complexity trade-off is obtained by using a {higher {number of} power levels, typically eight levels}. The proposed MPL-QL {can deliver} better throughput and lower latency compared to other recent QL-based algorithms found in the literature
• Abstract（参考訳）: 巨大マシン型通信(mmtc)サービスは、第5世代の無線通信(b5g)を統合する予定の新サービスの一部である。 mMTCでは、数千のデバイスがネットワーク上の利用可能なリソースブロックに散発的にアクセスする。 このシナリオでは、2つ以上のデバイスが同じリソースブロックを選択するときに衝突すると、巨大なランダムアクセス(RA)問題が発生する。 この問題に対処するテクニックはいくつかある。 そのうちの1つは$Q$-learning (QL)をデプロイし、デバイスは、実行された送信の質を示す中央ノードから送信される報酬を$Q$-tableに格納する。 デバイスは衝突を避けるために最適なリソースブロックを学習し、送信する。 我々は、非直交多重アクセス(NOMA)伝送方式を用いて送信電力の多様性を発生させ、信号対干渉+雑音比(SINR)がしきい値を超える限り、複数のデバイスを同時に許容するマルチパワーレベルQL(MPL-QL)アルゴリズムを提案する。 数値的な結果から、最高の性能・複雑さのトレードオフは {higher {number of} power levels, typically 8 levels} を用いて得られることが明らかとなった。 提案されているMPL-QL {can deliver} のスループットとレイテンシの低下は、文献で見られる他のQLベースのアルゴリズムと比較できる。

関連論文リスト

• Distributed Inference and Fine-tuning of Large Language Models Over The Internet [91.00270820533272]
  大規模言語モデル(LLM)は、多くのNLPタスクで有用であり、サイズが向上する。 これらのモデルはハイエンドのハードウェアを必要とするため、ほとんどの研究者にはアクセスできない。 本研究では,システムスループットの最大化のためにデバイスを自動的に割り当てるフォールトトレラント推論アルゴリズムとロードバランシングプロトコルを開発する。
  論文  参考訳（メタデータ） (2023-12-13T18:52:49Z)
• Machine learning-based decentralized TDMA for VLC IoT networks [0.9208007322096532]
  提案アルゴリズムは強化学習アルゴリズムであるQ-learningに基づいている。 提案アルゴリズムは高速に収束し,ネットワークに対して無衝突分散TDMAを提供する。
  論文  参考訳（メタデータ） (2023-11-23T16:12:00Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• 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)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• Throughput and Latency in the Distributed Q-Learning Random Access mMTC Networks [0.0]
  mMTCモードでは、何千ものデバイスがスポラジカルにネットワークリソースにアクセスしようとするため、ランダムアクセス(RA)の問題が重要である。 本研究では,送信するパケット数がより多いデバイスを優先する中央ノードから報酬を変動させることにより,分散パケットベースの学習手法を提案する。 計算結果から,分散パケットベースのQ-ラーニング手法は,従来の独立・協調手法よりもスループット・レイテンシのトレードオフがはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2021-10-30T17:57:06Z)
• A Learning-Based Fast Uplink Grant for Massive IoT via Support Vector Machines and Long Short-Term Memory [8.864453148536057]
  3IoTは、レイテンシを低減し、スマートインターネット・オブ・シング(mMTC)アプリケーションの信頼性を高めるために、高速アップリンク・アロケーション(FUG)を使用する必要性を導入した。 サポートマシンスケジューラ(SVM)に基づく新しいFUGアロケーションを提案する。 第2に、LSTMアーキテクチャは、予測エラーを克服するためにトラフィック予測と補正技術に使用される。
  論文  参考訳（メタデータ） (2021-08-02T11:33:02Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• 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)
• Scheduling Policy and Power Allocation for Federated Learning in NOMA Based MEC [21.267954799102874]
  Federated Learning(FL)は、データ分散を維持しながらモデルを集中的にトレーニングできる、高度に追求された機械学習技術である。 重み付き和データレートを最大化するために、非直交多重アクセス(NOMA)設定を用いた新しいスケジューリングポリシーと電力割当方式を提案する。 シミュレーションの結果,提案手法は,NOMAベースの無線ネットワークにおいて高いFLテスト精度を実現するのに有効であることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T23:07:41Z)

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。