Fugu-MT 論文翻訳(概要): Learning-Based Adaptive User Selection in Millimeter Wave Hybrid Beamforming Systems

論文の概要: Learning-Based Adaptive User Selection in Millimeter Wave Hybrid Beamforming Systems

arxiv url: http://arxiv.org/abs/2302.08240v1
Date: Thu, 16 Feb 2023 11:46:36 GMT
ステータス: 処理完了
システム内更新日: 2023-02-17 14:09:22.923364
Title: Learning-Based Adaptive User Selection in Millimeter Wave Hybrid Beamforming Systems
Title（参考訳）: ミリ波ハイブリッドビームフォーミングシステムにおける学習型適応ユーザ選択
Authors: Junghoon Kim and Matthew Andrews
Abstract要約: 基地局(BS)で採用される少数のチェーンによって多重化ゲインが制限されるマルチユーザハイブリッドビームフォーミングシステムを考える。多重化ゲインを最大化する自由を最大化するために、BSがすべてのユーザを常に提供するのではなく、各スケジューリング時に一部のユーザを選択して提供する方がよい。機械学習(ML)に基づくユーザ選択アルゴリズムを提案し,PF性能と時間とのトレードオフを効果的に提供する。
参考スコア（独自算出の注目度）: 5.657669046936923
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider a multi-user hybrid beamforming system, where the multiplexing gain is limited by the small number of RF chains employed at the base station (BS). To allow greater freedom for maximizing the multiplexing gain, it is better if the BS selects and serves some of the users at each scheduling instant, rather than serving all the users all the time. We adopt a two-timescale protocol that takes into account the mmWave characteristics, where at the long timescale an analog beam is chosen for each user, and at the short timescale users are selected for transmission based on the chosen analog beams. The goal of the user selection is to maximize the traditional Proportional Fair (PF) metric. However, this maximization is non-trivial due to interference between the analog beams for selected users. We first define a greedy algorithm and a "top-k" algorithm, and then propose a machine learning (ML)-based user selection algorithm to provide an efficient trade-off between the PF performance and the computation time. Throughout simulations, we analyze the performance of the ML-based algorithms under various metrics, and show that it gives an efficient trade-off in performance as compared to counterparts.
Abstract（参考訳）: 基地局(BS)で採用される少数のRF鎖によって多重化ゲインが制限されるマルチユーザハイブリッドビームフォーミングシステムを考える。多重化ゲインを最大化する自由を最大化するために、BSがすべてのユーザを常に提供するのではなく、各スケジューリング時に一部のユーザを選択して提供する方がよい。我々は,mmWave特性を考慮に入れた2時間スケールのプロトコルを採用し,長い時間スケールでは各ユーザに対してアナログビームを選択し,短い時間スケールでは,選択したアナログビームに基づいて送信する。ユーザ選択の目標は、従来のPF(Proportional Fair)メトリックを最大化することです。しかし、この最大化は、選択されたユーザに対するアナログビーム間の干渉のため、非自明である。そこで我々はまず,まず欲求アルゴリズムと"トップk"アルゴリズムを定義し,次に機械学習(ML)ベースのユーザ選択アルゴリズムを提案し,PF性能と計算時間との効率的なトレードオフを提供する。シミュレーションを通じて,MLに基づくアルゴリズムの性能を様々な指標で分析し,その性能が,他のアルゴリズムと比較して効率の良いトレードオフをもたらすことを示す。

関連論文リスト

Twin Sorting Dynamic Programming Assisted User Association and Wireless Bandwidth Allocation for Hierarchical Federated Learning [7.274131715810928]
階層型フェデレーション学習システムにおけるユーザアソシエーションと無線帯域幅割り当てについて検討する。エッジサーバが2つある場合に,グローバルな最適解を求めるTSDPアルゴリズムを設計する。さらに,3つ以上のエッジサーバが存在する場合に,ユーザアソシエーションのためのTSDP支援アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-08-17T02:29:32Z)
Learning Optimal Linear Precoding for Cell-Free Massive MIMO with GNN [15.271970287767164]
実用的なシステムで要求される1～2ミリ秒の時間予算で計算できるグラフニューラルネットワーク(GNN)を開発した。本稿では,AP と UE の数が異なる様々なシナリオにおいて,ほぼ最適なスペクトル効率を実現することを示す。
論文参考訳（メタデータ） (2024-06-06T19:29:33Z)
Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
論文参考訳（メタデータ） (2024-02-28T03:27:10Z)
Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
論文参考訳（メタデータ） (2024-02-20T23:59:45Z)
Towards A Flexible Accuracy-Oriented Deep Learning Module Inference Latency Prediction Framework for Adaptive Optimization Algorithms [0.49157446832511503]
本稿では,ディープラーニングモジュール推論遅延予測フレームワークを提案する。 DNNモジュールごとに複数のRMをトレーニングするために、カスタマイズ可能な入力パラメータのセットをホストする。トレーニングされたRMのセットを自動的に選択し、全体的な予測精度が最高になる。
論文参考訳（メタデータ） (2023-12-11T15:15:48Z)
Federated Learning over a Wireless Network: Distributed User Selection through Random Access [23.544290667425532]
本研究では,分散ユーザ選択におけるネットワーク固有のアプローチを提案する。我々は、訓練の各ラウンドで無線リソースを取得するために、特定のユーザを優先するために、競合ウィンドウ(CW)サイズを操作します。優先順位付けは、新たに訓練されたローカルモデルと前回のラウンドのグローバルモデルとの距離に基づいて行われる。
論文参考訳（メタデータ） (2023-07-07T02:14:46Z)
One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文参考訳（メタデータ） (2023-06-06T20:28:37Z)
On Differential Privacy for Federated Learning in Wireless Systems with Multiple Base Stations [90.53293906751747]
複数の基地局とセル間干渉を持つ無線システムにおける連合学習モデルを考える。本稿では,学習過程の収束挙動を,その最適性ギャップの上限を導出することによって示す。提案するスケジューラは,ランダムなスケジューラと比較して予測平均精度を向上する。
論文参考訳（メタデータ） (2022-08-25T03:37:11Z)
Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative Filtering [59.349057602266]
変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。 FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
論文参考訳（メタデータ） (2021-09-13T08:31:59Z)
Evolutionary Ensemble Learning for Multivariate Time Series Prediction [6.736731623634526]
MTS予測モデル(PM)を構築する典型的なパイプラインは、利用可能なすべてのチャネルのサブセットを選択することである。本稿では,パイプライン全体を総合的に最適化する新たな進化的アンサンブル学習フレームワークを提案する。提案手法を実装し,実世界の2つの応用,すなわち電力消費予測と大気質予測について検討した。
論文参考訳（メタデータ） (2021-08-22T07:36:25Z)
Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。