論文の概要: Age Minimization in Massive IoT via UAV Swarm: A Multi-agent Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2309.14757v1
• Date: Tue, 26 Sep 2023 08:37:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 14:36:14.451154
• Title: Age Minimization in Massive IoT via UAV Swarm: A Multi-agent Reinforcement Learning Approach
• Title（参考訳）: UAV Swarmによる大量IoTの年齢最小化:マルチエージェント強化学習アプローチ
• Authors: Eslam Eldeeb, Mohammad Shehab and Hirley Alves
• Abstract要約: 多くの大規模なIoT通信シナリオでは、IoTデバイスは、IoTデバイスの近くに移動可能な動的ユニットのカバレッジを必要とする。 堅牢な解決策は、多数のUAV(UAV Swarm)をデプロイして、IoTネットワークのカバレッジとより良い視線(LoS)を提供することである。 本稿では,UAV群を複数配置することによって生じる高次元問題に,マルチエージェント深部強化学習を適用した。
• 参考スコア（独自算出の注目度）: 6.49537221266081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many massive IoT communication scenarios, the IoT devices require coverage from dynamic units that can move close to the IoT devices and reduce the uplink energy consumption. A robust solution is to deploy a large number of UAVs (UAV swarm) to provide coverage and a better line of sight (LoS) for the IoT network. However, the study of these massive IoT scenarios with a massive number of serving units leads to high dimensional problems with high complexity. In this paper, we apply multi-agent deep reinforcement learning to address the high-dimensional problem that results from deploying a swarm of UAVs to collect fresh information from IoT devices. The target is to minimize the overall age of information in the IoT network. The results reveal that both cooperative and partially cooperative multi-agent deep reinforcement learning approaches are able to outperform the high-complexity centralized deep reinforcement learning approach, which stands helpless in large-scale networks.
• Abstract（参考訳）: 多くの大規模なIoT通信シナリオでは、IoTデバイスは、IoTデバイスに近づき、アップリンクエネルギー消費を減らすことができる動的ユニットからのカバレッジを必要とする。 堅牢な解決策は、多数のUAV(UAV Swarm)をデプロイして、IoTネットワークのカバレッジとより良い視線(LoS)を提供することである。 しかし、大量のサービスユニットを持つこれらの巨大なIoTシナリオの研究は、高い複雑さを伴う高次元の問題を引き起こす。 本稿では,IoTデバイスから新しい情報を収集するために,UAVの群れを配置することによって生じる高次元問題に,マルチエージェント深層強化学習を適用した。 目標は、IoTネットワークにおける情報の全体的な年齢を最小化することです。 その結果,協調型および部分的協調型多エージェント深層強化学習アプローチは,大規模ネットワークにおいて無力な高複雑集中型深層強化学習アプローチを上回ることができることがわかった。

関連論文リスト

• IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
  IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。 機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。 IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
  論文  参考訳（メタデータ） (2024-07-13T08:20:37Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
  本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。 本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。 提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
  論文  参考訳（メタデータ） (2021-12-20T15:45:28Z)
• RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
  無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。 第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。 マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T23:55:44Z)
• Reinforcement Learning for IoT Security: A Comprehensive Survey [4.0059435854780965]
  セキュリティは、多くの攻撃ベクトル、セキュリティ欠陥、脆弱性を持つIoTシステムにおいて、長期にわたる課題です。 本稿では,異なる種類のIoTシステムに対するサイバー攻撃に関する包括的調査を行う。 次に、さまざまなIoTシステムにおけるさまざまなタイプの攻撃に対抗する強化学習と深層強化学習ベースのセキュリティソリューションを提示します。
  論文  参考訳（メタデータ） (2021-02-14T21:09:49Z)
• Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement Learning [73.85267769520715]
  IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。 部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。 深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
  論文  参考訳（メタデータ） (2020-12-31T11:19:51Z)
• Lightweight IoT Malware Detection Solution Using CNN Classification [2.288885651912488]
  IoTデバイスのセキュリティ面は幼児の分野です。 ネットワーク上の特定のIoTノードの悪意ある振る舞いを認識するシステムを開発した。 畳み込みニューラルネットワークと監視により、ネットワーク内にインストール可能な中央ノードを使用して、IoTのマルウェア検出が可能になった。
  論文  参考訳（メタデータ） (2020-10-13T10:56:33Z)
• A Federated Learning Framework for Healthcare IoT devices [2.642698101441705]
  深層ニューラルネットワークを学習するための高度なフェデレーション学習フレームワークを提案する。 提案フレームワークは,バニラフェデレート学習における同期トラフィックの0.2%しか必要とせず,低精度の損失を保証している。
  論文  参考訳（メタデータ） (2020-05-07T22:58:43Z)

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。