論文の概要: A Federated Reinforcement Learning Framework for Link Activation in
Multi-link Wi-Fi Networks
- arxiv url: http://arxiv.org/abs/2304.14720v1
- Date: Fri, 28 Apr 2023 09:39:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 14:47:13.247034
- Title: A Federated Reinforcement Learning Framework for Link Activation in
Multi-link Wi-Fi Networks
- Title（参考訳）: マルチリンクWi-Fiネットワークにおけるリンク活性化のための強化学習フレームワーク
- Authors: Rashid Ali and Boris Bellalta
- Abstract要約: マルチリンク操作(MLO)は、高い干渉とチャネル競合が生じ、性能と信頼性が低下する。
本稿では,複数の分散エージェント間でデータを交換することなくモデルを学習するための協調機械学習手法を提案する。
その結果,FRLをベースとした分散MLO-LA戦略により,スループットの公平性が向上し,信頼性が向上した。
- 参考スコア（独自算出の注目度）: 3.093231349723552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Next-generation Wi-Fi networks are looking forward to introducing new
features like multi-link operation (MLO) to both achieve higher throughput and
lower latency. However, given the limited number of available channels, the use
of multiple links by a group of contending Basic Service Sets (BSSs) can result
in higher interference and channel contention, thus potentially leading to
lower performance and reliability. In such a situation, it could be better for
all contending BSSs to use less links if that contributes to reduce channel
access contention. Recently, reinforcement learning (RL) has proven its
potential for optimizing resource allocation in wireless networks. However, the
independent operation of each wireless network makes difficult -- if not almost
impossible -- for each individual network to learn a good configuration. To
solve this issue, in this paper, we propose the use of a Federated
Reinforcement Learning (FRL) framework, i.e., a collaborative machine learning
approach to train models across multiple distributed agents without exchanging
data, to collaboratively learn the the best MLO-Link Allocation (LA) strategy
by a group of neighboring BSSs. The simulation results show that the FRL-based
decentralized MLO-LA strategy achieves a better throughput fairness, and so a
higher reliability -- because it allows the different BSSs to find a link
allocation strategy which maximizes the minimum achieved data rate -- compared
to fixed, random and RL-based MLO-LA schemes.
- Abstract（参考訳）: 次世代Wi-Fiネットワークは、高いスループットと低レイテンシを実現するために、マルチリンク操作(MLO)のような新機能の導入を楽しみにしている。
しかしながら、利用可能なチャンネルの数が限られているため、競合するベーシックサービスセット(BSS)のグループによる複数のリンクの使用は、より高い干渉とチャネル競合をもたらす可能性があるため、パフォーマンスと信頼性が低下する可能性がある。
このような状況下では、チャネルアクセス競合の低減に寄与するなら、すべてのBSSがリンクを少なくする方がよいだろう。
近年、強化学習(RL)は、無線ネットワークにおけるリソース割り当てを最適化する可能性を示している。
しかし、各無線ネットワークの独立操作は、個々のネットワークが良い構成を学ぶのに、ほとんど不可能ではないにせよ、困難である。
本稿では,データを交換することなく複数の分散エージェントにまたがるモデルをトレーニングするための協調機械学習アプローチであるフェデレーション強化学習(FRL)フレームワークを用いて,近隣のBSSのグループによる最高のMLO-Link Allocation(LA)戦略を協調的に学習する。
シミュレーションの結果,FRL ベースの分散 MLO-LA 戦略はスループットの公平性を向上し,各 BSS が固定,ランダムおよび RL ベースの MLO-LA 方式と比較して,最小データレートを最大化するリンク割り当て戦略を見つけることができるため,信頼性が高くなった。
関連論文リスト
- Enhancing Spectrum Efficiency in 6G Satellite Networks: A GAIL-Powered Policy Learning via Asynchronous Federated Inverse Reinforcement Learning [67.95280175998792]
ビームフォーミング,スペクトルアロケーション,リモートユーザ機器(RUE)アソシエイトを最適化するために,GAILを利用した新しいポリシー学習手法を提案する。
手動チューニングなしで報酬関数を自動的に学習するために、逆RL(IRL)を用いる。
提案手法は従来のRL手法よりも優れており,コンバージェンスと報酬値の14.6%の改善が達成されている。
論文 参考訳（メタデータ） (2024-09-27T13:05:02Z) - AdapShare: An RL-Based Dynamic Spectrum Sharing Solution for O-RAN [1.906179410714637]
AdapShareは、インテントベースのスペクトル管理に強化学習を活用する、ORAN互換のソリューションである。
RLエージェントを採用することで、AdapShareはインテリジェントにネットワーク要求パターンを学び、リソースを割り当てる。
AdapShareは、長期ネットワーク需要統計に基づく準静的リソース割り当て方式より優れている。
論文 参考訳（メタデータ） (2024-08-29T18:10:36Z) - 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) - RHFedMTL: Resource-Aware Hierarchical Federated Multi-Task Learning [11.329273673732217]
フェデレーション学習は、セキュリティを備えた大規模な分散ノード上でAIを可能にする効果的な方法である。
複数の基地局(BS)と端末をまたいだマルチタスク学習を維持しながら、プライバシを確保することは困難である。
本稿では, セルラーワークの自然雲-BS-末端階層に着想を得て, 資源を考慮した階層型MTL (RHFedMTL) ソリューションを提案する。
論文 参考訳（メタデータ） (2023-06-01T13:49:55Z) - Decentralized Learning over Wireless Networks: The Effect of Broadcast
with Random Access [56.91063444859008]
本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。
この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
論文 参考訳（メタデータ） (2023-05-12T10:32:26Z) - Intelligent Load Balancing and Resource Allocation in O-RAN: A
Multi-Agent Multi-Armed Bandit Approach [4.834203844100679]
負荷分散と資源配分(mmLBRA)のためのマルチエージェントマルチアームバンディットを提案する。
また,Non-RT RIC (Non-RT RIC) と近RT RIC (Non-RT RIC) で独立に動作可能な mmLBRA-LB と mmLBRA-RA のサブスキームを提案する。
論文 参考訳（メタデータ） (2023-03-25T04:42:30Z) - Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated
Split Learning [56.125720497163684]
無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。
ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
論文 参考訳（メタデータ） (2022-09-02T10:29:56Z) - Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless
Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。
本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T18:24:47Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Low-Latency Federated Learning over Wireless Channels with Differential
Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。
本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文 参考訳（メタデータ） (2021-06-20T13:51:18Z) - Hierarchical Reinforcement Learning for Relay Selection and Power
Optimization in Two-Hop Cooperative Relay Network [7.5377621697101205]
本研究では,2ホップ協調型中継ネットワークにおいて,送信電力の制約を考慮に入れた停止確率最小化問題について検討する。
我々は、リレー選択と配電のための戦略を学ぶために強化学習(RL)手法を用いる。
階層型強化学習(HRL)フレームワークとトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-10T04:47:41Z)
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。