論文の概要: Lyapunov-Driven Deep Reinforcement Learning for Edge Inference Empowered
by Reconfigurable Intelligent Surfaces
- arxiv url: http://arxiv.org/abs/2305.10931v1
- Date: Thu, 18 May 2023 12:46:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 15:17:07.818483
- Title: Lyapunov-Driven Deep Reinforcement Learning for Edge Inference Empowered
by Reconfigurable Intelligent Surfaces
- Title（参考訳）: 再構成可能なインテリジェントサーフェスによるエッジ推論のためのlyapunov駆動深層強化学習
- Authors: Kyriakos Stylianopoulos, Mattia Merluzzi, Paolo Di Lorenzo, George C.
Alexandropoulos
- Abstract要約: 本稿では,ワイヤレスエッジにおけるエネルギー効率,低レイテンシ,高精度な推論のための新しいアルゴリズムを提案する。
本稿では,新しいデータを一連のデバイスで連続的に生成・収集し,動的キューシステムを通じて処理するシナリオについて考察する。
- 参考スコア（独自算出の注目度）: 30.1512069754603
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this paper, we propose a novel algorithm for energy-efficient,
low-latency, accurate inference at the wireless edge, in the context of 6G
networks endowed with reconfigurable intelligent surfaces (RISs). We consider a
scenario where new data are continuously generated/collected by a set of
devices and are handled through a dynamic queueing system. Building on the
marriage between Lyapunov stochastic optimization and deep reinforcement
learning (DRL), we devise a dynamic learning algorithm that jointly optimizes
the data compression scheme, the allocation of radio resources (i.e., power,
transmission precoding), the computation resources (i.e., CPU cycles), and the
RIS reflectivity parameters (i.e., phase shifts), with the aim of performing
energy-efficient edge classification with end-to-end (E2E) delay and inference
accuracy constraints. The proposed strategy enables dynamic control of the
system and of the wireless propagation environment, performing a low-complexity
optimization on a per-slot basis while dealing with time-varying radio channels
and task arrivals, whose statistics are unknown. Numerical results assess the
performance of the proposed RIS-empowered edge inference strategy in terms of
trade-off between energy, delay, and accuracy of a classification task.
- Abstract（参考訳）: 本稿では,再構成可能なインテリジェントサーフェス(ris)を付与した6gネットワークの文脈において,無線エッジにおけるエネルギー効率,低遅延,高精度推定のための新しいアルゴリズムを提案する。
我々は,新しいデータが連続して生成/収集され,動的待ち行列システムによって処理されるシナリオを考える。
Building on the marriage between Lyapunov stochastic optimization and deep reinforcement learning (DRL), we devise a dynamic learning algorithm that jointly optimizes the data compression scheme, the allocation of radio resources (i.e., power, transmission precoding), the computation resources (i.e., CPU cycles), and the RIS reflectivity parameters (i.e., phase shifts), with the aim of performing energy-efficient edge classification with end-to-end (E2E) delay and inference accuracy constraints.
提案手法はシステムと無線伝搬環境の動的制御を可能にし,統計が不明な時間変化の無線チャネルやタスク到着を扱いながら,スロット毎の低複雑さの最適化を行う。
数値実験により, 分類タスクのエネルギー, 遅延, 精度のトレードオフの観点から, risを用いたエッジ推定手法の性能評価を行った。
関連論文リスト
- Reconfigurable Intelligent Surface Aided Vehicular Edge Computing: Joint Phase-shift Optimization and Multi-User Power Allocation [28.47670676456068]
本稿では、車載通信を支援するための代替通信経路を提供するRIS(Reconfigurable Intelligent Surfaces)について紹介する。
本稿では、RIS位相シフト係数を最適化するDeep Deterministic Policy Gradient(DDPG)アルゴリズムと、車両ユーザ(VU)の電力配分を最適化するMulti-Agent Deep Deterministic Policy Gradient(MADDPG)アルゴリズムを組み合わせたDRLフレームワークを提案する。
シミュレーションの結果,提案手法は従来の集中型DDPG, Twin Delayed Deep Deterministic Policy Gradient (TD3) およびいくつかの典型的なスキームよりも優れていた。
論文 参考訳（メタデータ） (2024-07-18T03:18:59Z) - Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach [34.00679567444125]
本研究では,長期エネルギー制約下でのデータ到着や資源の可利用性に固有のランダム性に対処する動的スケジューリングと資源割当アルゴリズムを開発した。
提案アルゴリズムは, デバイススケジューリング, 計算容量調整, 帯域幅の割り当ておよび各ラウンドの送信電力を適応的に決定する。
本手法の有効性をシミュレーションにより検証し,ベースライン方式と比較して学習性能とエネルギー効率が向上したことを示す。
論文 参考訳（メタデータ） (2024-05-20T14:13:22Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-11T13:16:28Z) - ENGNN: A General Edge-Update Empowered GNN Architecture for Radio
Resource Management in Wireless Networks [29.23937571816269]
鍵となる課題は、無線リソースをビームフォーミングとパワーアロケーションによって効率的に管理することである。
本稿では,GNNがノード変数とエッジ変数の両方を扱えるように,エッジ更新機構を提案する。
提案手法は平均和率が高いが,最先端の手法よりもはるかに短い時間で計算できる。
論文 参考訳（メタデータ） (2022-12-14T14:04:25Z) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳（メタデータ） (2022-05-08T06:21:33Z) - Phase Shift Design in RIS Empowered Wireless Networks: From Optimization
to AI-Based Methods [83.98961686408171]
再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。
無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。
本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
論文 参考訳（メタデータ） (2022-04-28T09:26:14Z) - Phase Configuration Learning in Wireless Networks with Multiple
Reconfigurable Intelligent Surfaces [50.622375361505824]
RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。
RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。
RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
論文 参考訳（メタデータ） (2020-10-09T05:35:27Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-05-25T01:42:55Z) - Reconfigurable Intelligent Surface Assisted Multiuser MISO Systems
Exploiting Deep Reinforcement Learning [21.770491711632832]
再構成可能なインテリジェントサーフェス(RIS)は、将来の6世代(6G)無線通信システムにおいて重要な技術の一つとして推測されている。
本稿では, 基地局におけるビームフォーミング行列とRISにおける位相シフト行列の接合設計について, 深部強化学習(DRL)の最近の進歩を活用して検討する。
提案アルゴリズムは環境から学習し、その振る舞いを徐々に改善するだけでなく、2つの最先端ベンチマークと比較して同等の性能が得られる。
論文 参考訳（メタデータ） (2020-02-24T04:28:44Z) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-28T14:37:38Z)
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。