論文の概要: Power Control with QoS Guarantees: A Differentiable Projection-based
Unsupervised Learning Framework
- arxiv url: http://arxiv.org/abs/2306.01787v1
- Date: Wed, 31 May 2023 14:11:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-11 13:47:32.610615
- Title: Power Control with QoS Guarantees: A Differentiable Projection-based
Unsupervised Learning Framework
- Title（参考訳）: QoS Guaranteesによる電力制御: 異なる射影に基づく教師なし学習フレームワーク
- Authors: Mehrazin Alizadeh and Hina Tabassum
- Abstract要約: NPハード無線リソース割り当て問題を解決する潜在的なソリューションとして、ディープニューラルネットワーク(DNN)が登場している。
マルチユーザチャネルにおける古典的電力制御問題を解決するために,教師なし学習フレームワークを提案する。
提案手法は,データレートを向上するだけでなく,既存の計算に比べて制約違反の確率をゼロにすることを示す。
- 参考スコア（独自算出の注目度）: 14.518558523319518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks (DNNs) are emerging as a potential solution to solve
NP-hard wireless resource allocation problems. However, in the presence of
intricate constraints, e.g., users' quality-of-service (QoS) constraints,
guaranteeing constraint satisfaction becomes a fundamental challenge. In this
paper, we propose a novel unsupervised learning framework to solve the
classical power control problem in a multi-user interference channel, where the
objective is to maximize the network sumrate under users' minimum data rate or
QoS requirements and power budget constraints. Utilizing a differentiable
projection function, two novel deep learning (DL) solutions are pursued. The
first is called Deep Implicit Projection Network (DIPNet), and the second is
called Deep Explicit Projection Network (DEPNet). DIPNet utilizes a
differentiable convex optimization layer to implicitly define a projection
function. On the other hand, DEPNet uses an explicitly-defined projection
function, which has an iterative nature and relies on a differentiable
correction process. DIPNet requires convex constraints; whereas, the DEPNet
does not require convexity and has a reduced computational complexity. To
enhance the sum-rate performance of the proposed models even further,
Frank-Wolfe algorithm (FW) has been applied to the output of the proposed
models. Extensive simulations depict that the proposed DNN solutions not only
improve the achievable data rate but also achieve zero constraint violation
probability, compared to the existing DNNs. The proposed solutions outperform
the classic optimization methods in terms of computation time complexity.
- Abstract（参考訳）: NPハード無線リソース割り当て問題を解決する潜在的なソリューションとして、ディープニューラルネットワーク(DNN)が登場している。
しかし、ユーザのQoS(Quality-of-Service)制約のような複雑な制約が存在する場合には、制約満足度を保証することが根本的な課題となる。
本稿では,ユーザの最小データレートやQoS要件,電力予算制約の下でネットワークの総和を最大化することを目的とした,マルチユーザ干渉チャネルにおける古典的電力制御問題を解決するための,教師なし学習フレームワークを提案する。
微分可能射影関数を用いることで、2つの新しいディープラーニング(DL)ソリューションが追求される。
1つはDeep Implicit Projection Network(DIPNet)、2つ目はDeep Explicit Projection Network(DEPNet)と呼ばれる。
dipnetは微分可能な凸最適化層を使用して、暗黙的に投影関数を定義する。
一方、DEPNetは、反復性を持ち、微分可能な補正プロセスに依存する、明示的に定義された射影関数を使用する。
ディプネットは凸制約を必要とするが、デプネットは凸性を必要としず、計算の複雑さが減少する。
さらに,提案モデルの総和性能を向上させるため,提案モデルの出力にフランク・ウルフアルゴリズム(FW)を適用した。
大規模なシミュレーションでは、提案したDNNソリューションは達成可能なデータレートを改善するだけでなく、既存のDNNと比較して制約違反の確率をゼロにする。
提案手法は,計算時間の複雑さの観点から,従来の最適化手法を上回っている。
関連論文リスト
- Hard-Constrained Neural Networks with Universal Approximation Guarantees [5.3663546125491735]
HardNetは、モデルキャパシティを犠牲にすることなく、本質的に厳しい制約を満たすニューラルネットワークを構築するためのフレームワークである。
ニューラルネットワークの普遍近似能力はHardNetが保持していることを示す。
論文 参考訳（メタデータ） (2024-10-14T17:59:24Z) - Optimization Proxies using Limited Labeled Data and Training Time -- A Semi-Supervised Bayesian Neural Network Approach [2.943640991628177]
制約のある最適化問題は、在庫管理電力グリッドのような様々なエンジニアリングシステムで発生する。
本研究では,ベイジアンネットワーク(BNN)を用いて,制限されたデータと制限されたモデル時間の下での制約付き最適化問題の解法を提案する。
提案手法は,従来のBNNおよびディープニューラルネットワーク(DNN)アーキテクチャよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-04T02:10:20Z) - Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。
シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文 参考訳（メタデータ） (2022-10-17T17:30:09Z) - Physics and Equality Constrained Artificial Neural Networks: Application
to Partial Differential Equations [1.370633147306388]
偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。
本稿では,この目的関数の定式化方法が,PINNアプローチにおける厳密な制約の源であることを示す。
本稿では,逆問題と前方問題の両方に対処可能な多目的フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-30T05:55:35Z) - Learning from Images: Proactive Caching with Parallel Convolutional
Neural Networks [94.85780721466816]
本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。
モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。
数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
論文 参考訳（メタデータ） (2021-08-15T21:32:47Z) - CDiNN -Convex Difference Neural Networks [0.8122270502556374]
reluアクティベーション関数を持つニューラルネットワークは、普遍関数近似が非スムース関数として関数マッピングを学ぶことが示されている。
ICNNと呼ばれる新しいニューラルネットワークアーキテクチャは、凸入力として出力を学習する。
論文 参考訳（メタデータ） (2021-03-31T17:31:16Z) - Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural
Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。
提案されたSIDNNは、幅広いOPFスキームと互換性がある。
他のLearning-to-OPFスキームとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-03-27T00:45:23Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z) - Unsupervised Deep Learning for Optimizing Wireless Systems with
Instantaneous and Statistic Constraints [29.823814915538463]
我々は、教師なしのディープラーニングを用いて、瞬時的制約と統計的制約の両方で、双方の問題を解決する統一的な枠組みを確立する。
教師なし学習は、最適政策の違反確率と近似精度の観点から教師あり学習より優れていることを示す。
論文 参考訳（メタデータ） (2020-05-30T13:37:14Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。