論文の概要: From Empirical Measurements to Augmented Data Rates: A Machine Learning Approach for MCS Adaptation in Sidelink Communication

• arxiv url: http://arxiv.org/abs/2309.17086v1
• Date: Fri, 29 Sep 2023 09:32:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 14:44:40.656142
• Title: From Empirical Measurements to Augmented Data Rates: A Machine Learning Approach for MCS Adaptation in Sidelink Communication
• Title（参考訳）: 実証測定から拡張データ率へ:サイドリンク通信におけるMCS適応のための機械学習アプローチ
• Authors: Asif Abdullah Rokoni, Daniel Sch\"aufele, Martin Kasparick, S{\l}awomir Sta\'nczak
• Abstract要約: 適切なMCSレベルを予測するための機械学習手法を提案する。 MCS レベルを選択する従来の方法に比べて大きな改善が見られた。 しかし、機械学習のアプローチを使用するには、現在研究のために公開されているものよりも、より大きな現実世界のデータセットが必要である。
• 参考スコア（独自算出の注目度）: 14.437937313241873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the lack of a feedback channel in the C-V2X sidelink, finding a suitable modulation and coding scheme (MCS) is a difficult task. However, recent use cases for vehicle-to-everything (V2X) communication with higher demands on data rate necessitate choosing the MCS adaptively. In this paper, we propose a machine learning approach to predict suitable MCS levels. Additionally, we propose the use of quantile prediction and evaluate it in combination with different algorithms for the task of predicting the MCS level with the highest achievable data rate. Thereby, we show significant improvements over conventional methods of choosing the MCS level. Using a machine learning approach, however, requires larger real-world data sets than are currently publicly available for research. For this reason, this paper presents a data set that was acquired in extensive drive tests, and that we make publicly available.
• Abstract（参考訳）: C-V2Xサイドリンクにフィードバックチャネルがないため、適切な変調および符号化スキーム(MCS)を見つけることが難しい。 しかし,近年の車両間通信(V2X)におけるデータレートの要求が高い場合,MSSの選択を適応的に行う必要がある。 本稿では,適切なMCSレベルを予測する機械学習手法を提案する。 さらに,MCSレベルを最大達成可能なデータレートで予測するタスクに対して,量子予測の利用を提案し,異なるアルゴリズムと組み合わせて評価する。 その結果,従来のMCSレベル選択法に比べ,大幅な改善が見られた。 しかし、機械学習のアプローチを使うには、現在研究のために公開されているものよりも大きな現実世界のデータセットが必要である。 そこで本稿では,広範囲なドライブテストで得られたデータセットを公開して公開する。

関連論文リスト

• Efficient Verification of a RADAR SoC Using Formal and Simulation-Based Methods [2.1626093085892144]
  本稿では,Radio Detection And Ranging (RADAR) をベースとしたSOCの検証を行った。 我々は,形式的手法とシミュレーション的手法を併用して相互補完を行い,信頼性の高い検証サインオフを実現する。
  論文  参考訳（メタデータ） (2024-04-20T13:16:55Z)
• A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting Multiple Access [53.191806757701215]
  本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。 コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。 数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-07-17T20:31:41Z)
• ICN: Interactive Convolutional Network for Forecasting Travel Demand of Shared Micromobility [5.6973480878880824]
  本稿では,共有マイクロモビリティのための旅行需要を予測するための,対話型畳み込みネットワーク(ICN)というディープラーニングモデルを提案する。 提案手法はシカゴ, IL, オースチン, TXの2つの実世界のケーススタディに対して評価された。
  論文  参考訳（メタデータ） (2023-06-24T08:08:04Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
  下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。 データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。 この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2022-09-29T18:11:01Z)
• A Meta-learning Approach to Reservoir Computing: Time Series Prediction with Limited Data [0.0]
  本研究では,実験プロセスから適切なモデル構造を自動的に抽出するデータ駆動型手法を提案する。 簡単なベンチマーク問題に対して,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-10-07T18:23:14Z)
• Adaptive Gradient Quantization for Data-Parallel SGD [25.665193043464775]
  本稿では,2つの適応量子化方式,ALQとAMQを導入する。両方式とも,パラメトリック分布の十分な統計を効率的に計算することにより,プロセッサが並列に圧縮スキームを更新する。 CIFAR-10では約2%,ImageNetでは1%の精度で検証精度を向上させる。
  論文  参考訳（メタデータ） (2020-10-23T14:58:02Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)
• XCM: An Explainable Convolutional Neural Network for Multivariate Time Series Classification [64.41621835517189]
  MTS分類のためのeXplainable Convolutional Neural NetworkであるXCMを提案する。 XCMは、新しいコンパクト畳み込みニューラルネットワークであり、入力データから直接、観測された変数と時間に関する情報を抽出する。 最初に、XCMは、大小のパブリックUEAデータセットにおいて最先端のMSS分類器よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-10T11:55:53Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。