論文の概要: Multi-armed Bandit Learning for TDMA Transmission Slot Scheduling and
Defragmentation for Improved Bandwidth Usage
- arxiv url: http://arxiv.org/abs/2302.05301v1
- Date: Sat, 14 Jan 2023 03:41:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:16:55.409044
- Title: Multi-armed Bandit Learning for TDMA Transmission Slot Scheduling and
Defragmentation for Improved Bandwidth Usage
- Title（参考訳）: 帯域幅改善のためのTDMA伝送スロットスケジューリングとデフラグメンテーションのためのマルチアーム帯域学習
- Authors: Hrishikesh Dutta, Amit Kumar Bhuyan, and Subir Biswas
- Abstract要約: 本稿では,無線センサネットワークとIoT(Internet of Things)において,効率的な帯域幅利用が可能なTDMA(Time Division Multiple Access)MACスロット割り当てプロトコルを提案する。
開発したプロトコルは, 衝突自由伝送のためのMAB(Multi-Armed Bandits)ベースのスロットアロケーション機構と, 帯域幅効率向上のための分散デフラグメンテッドスロットバックシフト操作の2つの主要コンポーネントを備える。
- 参考スコア（独自算出の注目度）: 1.462434043267217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a Time Division Multiple Access (TDMA) MAC slot
allocation protocol with efficient bandwidth usage in wireless sensor networks
and Internet of Things (IoTs). The developed protocol has two primary
components: a Multi-Armed Bandits (MAB)-based slot allocation mechanism for
collision free transmission, and a Decentralized Defragmented Slot Backshift
(DDSB) operation for improving bandwidth usage efficiency. The proposed
framework is decentralized in that each node finds its transmission schedule
independently without the control of any centralized arbitrator. The developed
mechanism is suitable for networks with or without time synchronization, thus,
making it suitable for low-complexity wireless transceivers for wireless sensor
and IoT nodes. This framework is able to manage the trade-off between learning
convergence time and bandwidth. In addition, it allows the nodes to adapt to
topological changes while maintaining efficient bandwidth usage. The developed
logic is tested for both fully-connected and arbitrary mesh networks with
extensive simulation experiments. It is shown how the nodes can learn to select
collision-free transmission slots using MAB. Moreover, the nodes learn to
self-adjust their transmission schedules using a novel DDSB framework in order
to reduce bandwidth usage.
- Abstract（参考訳）: 本稿では,無線センサネットワークとIoT(Internet of Things)において,効率的な帯域幅利用が可能なTDMA(Time Division Multiple Access)MACスロット割り当てプロトコルを提案する。
開発したプロトコルは, 衝突自由伝送のためのMAB(Multi-Armed Bandits)ベースのスロット割り当て機構と, 帯域幅効率向上のための分散デフラグメンテッドスロットバックシフト(DDSB)操作の2つの主要コンポーネントを備える。
提案するフレームワークは,各ノードが集中型調停器の制御なしに送信スケジュールを独立に見つけるように分散化されている。
開発したメカニズムは、時間同期の有無にかかわらずネットワークに適しているため、無線センサやIoTノード用の低複雑さ無線トランシーバに適している。
このフレームワークは、学習収束時間と帯域幅の間のトレードオフを管理することができる。
さらに、ノードは効率的な帯域幅の使用を維持しながら、トポロジ的な変更に適応することができる。
開発したロジックは、広範囲なシミュレーション実験により、完全接続と任意のメッシュネットワークの両方でテストされる。
ノードがMABを用いて衝突のない送信スロットを選択する方法を示す。
さらに、ノードは、帯域幅の使用量を減らすために、新しいDDSBフレームワークを使用して送信スケジュールを自己調整することを学ぶ。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - Faster Convergence with Less Communication: Broadcast-Based Subgraph
Sampling for Decentralized Learning over Wireless Networks [32.914407967052114]
$texttBASS$はD-SGDの収束を加速するために設計された放送ベースのサブグラフサンプリング手法である。
既存のリンクベースのスケジューリング手法と比較して,送信スロットが少ないため,$texttBASS$はより高速な収束を可能にする。
論文 参考訳（メタデータ） (2024-01-24T20:00:23Z) - A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC
in Industrial IoT [16.167107624956294]
産業用IoT(Industrial Internet of Things)ネットワークは、重要なプロセスをサポートするために、ウルトラ信頼性の低い低レイテンシ通信(URLLC)を提供する。
無線リソースを割り当てるための標準プロトコルは、特にアップリンク通信において、レイテンシと信頼性のトレードオフを最適化しない可能性がある。
論文 参考訳（メタデータ） (2023-11-21T12:22:04Z) - Decentralized Learning over Wireless Networks with Broadcast-Based
Subgraph Sampling [36.99249604183772]
この研究は、コンセンサスに基づく分散降下(D-SGD)を用いた、無線ネットワーク上の分散学習のコミュニケーション面を中心にしている。
ネットワーク内情報交換による実際の通信コストや遅延を考慮すると,送信スロット毎の改善によって測定されたアルゴリズムの高速収束を実現することが目的である。
本稿では,無線ネットワーク上でのD-SGDの効率的な通信フレームワークであるBASSを提案する。
論文 参考訳（メタデータ） (2023-10-24T18:15:52Z) - Task-aware Distributed Source Coding under Dynamic Bandwidth [24.498190179263837]
独立エンコーダとジョイントデコーダからなる分散圧縮フレームワークを提案し,ニューラル分散主成分分析(NDPCA)と呼ぶ。
NDPCAは、複数のソースからのデータを単一のモデルで任意の帯域に柔軟に圧縮し、計算とストレージのオーバーヘッドを減らす。
実験の結果,NDPCAは多視点ロボットアーム操作の成功率を9%向上し,衛星画像上の物体検出タスクの精度を14%向上させることがわかった。
論文 参考訳（メタデータ） (2023-05-24T19:20:59Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - 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) - Harnessing Wireless Channels for Scalable and Privacy-Preserving
Federated Learning [56.94644428312295]
無線接続は、フェデレートラーニング(FL)の実現に有効である
Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。
A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。
これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
論文 参考訳（メタデータ） (2020-07-03T16:31:15Z) - Binary DAD-Net: Binarized Driveable Area Detection Network for
Autonomous Driving [94.40107679615618]
本稿では,二項化駆動型領域検出ネットワーク(バイナリDAD-Net)を提案する。
エンコーダ、ボトルネック、デコーダ部分の2重みとアクティベーションのみを使用する。
パブリックデータセット上で、最先端のセマンティックセグメンテーションネットワークより優れています。
論文 参考訳（メタデータ） (2020-06-15T07:09:01Z) - Wireless Power Control via Counterfactual Optimization of Graph Neural
Networks [124.89036526192268]
本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。
コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。
次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
論文 参考訳（メタデータ） (2020-02-17T07:54:39Z)
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。