Fugu-MT 論文翻訳(概要): Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB networks

論文の概要: Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB networks

arxiv url: http://arxiv.org/abs/2309.00144v1
Date: Thu, 31 Aug 2023 21:30:25 GMT
ステータス: 処理完了
システム内更新日: 2023-09-04 15:11:41.615211
Title: Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB networks
Title（参考訳）: IABネットワークにおけるマルチエージェントDeepRLを用いたジョイントパワーとサブチャネルアロケーション
Authors: Lakshya Jagadish, Banashree Sarma, R. Manivasakan
Abstract要約: 統合アクセスとバックハウリング(IRL)は、将来の世代におけるより高いデータレートに対する前例のない要求を満たすための、実行可能なアプローチである。本稿では,分数ノードに付随する巨大なアクション空間の問題を,Deep Q-Learning Networkを用いて処理する方法を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Integrated Access and Backhauling (IAB) is a viable approach for meeting the unprecedented need for higher data rates of future generations, acting as a cost-effective alternative to dense fiber-wired links. The design of such networks with constraints usually results in an optimization problem of non-convex and combinatorial nature. Under those situations, it is challenging to obtain an optimal strategy for the joint Subchannel Allocation and Power Allocation (SAPA) problem. In this paper, we develop a multi-agent Deep Reinforcement Learning (DeepRL) based framework for joint optimization of power and subchannel allocation in an IAB network to maximize the downlink data rate. SAPA using DDQN (Double Deep Q-Learning Network) can handle computationally expensive problems with huge action spaces associated with multiple users and nodes. Unlike the conventional methods such as game theory, fractional programming, and convex optimization, which in practice demand more and more accurate network information, the multi-agent DeepRL approach requires less environment network information. Simulation results show the proposed scheme's promising performance when compared with baseline (Deep Q-Learning Network and Random) schemes.
Abstract（参考訳）: IAB(Integrated Access and Backhauling)は、次世代のデータレートに対する前例のない要求を満たすためのアプローチであり、高密度のファイバー配線リンクに代わる費用対効果がある。このような制約付きネットワークの設計は、通常、非凸および組合せ的性質の最適化問題をもたらす。このような状況下では,sapa(joint subchannel allocation and power allocation)問題の最適戦略を得ることが困難である。本稿では,iabネットワークにおける電力とサブチャネル割り当ての協調最適化のための多エージェント深層強化学習(deeprl)ベースのフレームワークを開発し,ダウンリンクデータレートを最大化する。 DDQN (Double Deep Q-Learning Network) を用いたSAPAは、複数のユーザやノードに関連する巨大なアクション空間を持つ計算コストの高い問題を処理できる。ゲーム理論や分数プログラミング、凸最適化といった従来の手法とは異なり、実際にはより正確なネットワーク情報を必要とするため、マルチエージェントのDeepRLアプローチでは環境ネットワーク情報が少ない。シミュレーション結果は,ベースライン(ディープqラーニングネットワークとランダム)と比較した場合,提案手法の有望な性能を示す。

関連論文リスト

Resource-Efficient Compilation of Distributed Quantum Circuits for Solving Large-Scale Wireless Communication Network Problems [10.434368470402935]
無線センサネットワーク(WSN)におけるルーティングの最適化は、消費電力を最小化し、ネットワーク寿命を延ばすために重要である。本稿では,大規模なWSNルーティング問題に対処するための分散量子回路の資源効率コンパイル手法を提案する。
論文参考訳（メタデータ） (2025-01-17T15:10:22Z)
GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
グラフ拡散型ソリューション生成(GDSG)法を提案する。このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
論文参考訳（メタデータ） (2024-12-11T11:13:43Z)
DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-08-13T07:56:21Z)
Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
論文参考訳（メタデータ） (2024-06-25T07:42:30Z)
Learning RL-Policies for Joint Beamforming Without Exploration: A Batch Constrained Off-Policy Approach [1.0080317855851213]
本稿では,ネットワークにおけるパラメータキャンセル最適化の問題点について考察する。探索と学習のために実世界でアルゴリズムをデプロイすることは、探索せずにデータによって達成できることを示す。
論文参考訳（メタデータ） (2023-10-12T18:36:36Z)
Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文参考訳（メタデータ） (2023-10-10T00:21:10Z)
Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
論文参考訳（メタデータ） (2023-10-06T02:35:35Z)
A Reinforcement Learning Approach to Optimize Available Network Bandwidth Utilization [3.254879465902239]
深部強化学習(RL)を用いた並列TCPストリームの最適数を求めるための新しい手法を提案する。我々のRLアルゴリズムは、最大15%高いスループットを達成しながら、ほぼ最適解を40%高速に見つけることができる。
論文参考訳（メタデータ） (2022-11-22T02:00:05Z)
A Heuristically Assisted Deep Reinforcement Learning Approach for Network Slice Placement [0.7885276250519428]
本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
論文参考訳（メタデータ） (2021-05-14T10:04:17Z)
Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文参考訳（メタデータ） (2021-01-02T15:21:08Z)
DeepSlicing: Deep Reinforcement Learning Assisted Resource Allocation for Network Slicing [20.723527476555574]
ネットワークスライシングにより、同じ物理インフラストラクチャ上で複数の仮想ネットワークが動作し、5G以降のさまざまなユースケースをサポートすることができる。これらのユースケースには、通信や計算、レイテンシやスループットといったさまざまなパフォーマンス指標など、非常に多様なネットワークリソース要求があります。乗算器の交互方向法(ADMM)と深部強化学習(DRL)を統合したDeepSlicingを提案する。
論文参考訳（メタデータ） (2020-08-17T20:52:19Z)

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。