論文の概要: Multi-Agent Context Learning Strategy for Interference-Aware Beam
Allocation in mmWave Vehicular Communications
- arxiv url: http://arxiv.org/abs/2401.02323v1
- Date: Thu, 4 Jan 2024 15:43:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-05 14:44:42.802663
- Title: Multi-Agent Context Learning Strategy for Interference-Aware Beam
Allocation in mmWave Vehicular Communications
- Title（参考訳）: 干渉対応ビームアロケーションのためのマルチエージェントコンテキスト学習戦略
- Authors: Abdulkadir Kose, Haeyoung Lee, Chuan Heng Foh, Mohammad Shojafar
- Abstract要約: 我々は,Multi-Agent Context Learning (MACOL) と呼ばれる新しい戦略を開発し,ネットワーク内の車両に対してmWaveビームを割り当てながら干渉を管理する。
提案手法は,近隣のビーム状態の知識を活用することで,機械学習エージェントが他の送信に干渉する可能性のある送信を識別・回避できることを実証する。
- 参考スコア（独自算出の注目度）: 8.29063749138322
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Millimeter wave (mmWave) has been recognized as one of key technologies for
5G and beyond networks due to its potential to enhance channel bandwidth and
network capacity. The use of mmWave for various applications including
vehicular communications has been extensively discussed. However, applying
mmWave to vehicular communications faces challenges of high mobility nodes and
narrow coverage along the mmWave beams. Due to high mobility in dense networks,
overlapping beams can cause strong interference which leads to performance
degradation. As a remedy, beam switching capability in mmWave can be utilized.
Then, frequent beam switching and cell change become inevitable to manage
interference, which increase computational and signalling complexity. In order
to deal with the complexity in interference control, we develop a new strategy
called Multi-Agent Context Learning (MACOL), which utilizes Contextual Bandit
to manage interference while allocating mmWave beams to serve vehicles in the
network. Our approach demonstrates that by leveraging knowledge of neighbouring
beam status, the machine learning agent can identify and avoid potential
interfering transmissions to other ongoing transmissions. Furthermore, we show
that even under heavy traffic loads, our proposed MACOL strategy is able to
maintain low interference levels at around 10%.
- Abstract（参考訳）: ミリ波(mmWave)は、チャネル帯域幅とネットワーク容量を増大させる可能性から、5Gやネットワーク以外の重要な技術の一つとして認識されている。
車両通信を含む各種用途におけるmmwaveの利用は広く議論されている。
しかし、車体通信にmmWaveを適用することは、高モビリティノードとmmWaveビームに沿った狭い範囲の課題に直面している。
高密度ネットワークにおける高モビリティのため、重なり合うビームは強い干渉を引き起こし、性能劣化を引き起こす。
治療として、mWaveのビームスイッチング機能を利用することができる。
そして、頻繁なビームスイッチングとセルの変更は干渉を管理するために避けられなくなり、計算と信号の複雑さが増大する。
干渉制御の複雑さに対処するため,Multi-Agent Context Learning (MACOL) と呼ばれる新しい手法を開発した。
提案手法は,隣接ビーム状態の知識を活用し,他の送信への潜在的な干渉伝達を機械学習エージェントが識別し回避できることを実証する。
さらに、重交通負荷下であっても、提案したMACOL戦略は低干渉レベルを約10%に維持できることを示す。
関連論文リスト
- Deep Reinforcement Learning for Interference Management in UAV-based 3D
Networks: Potentials and Challenges [137.47736805685457]
チャネル情報を知らなくても干渉を効果的に軽減できることを示す。
干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
論文 参考訳（メタデータ） (2023-05-11T18:06:46Z) - Deep Learning and Image Super-Resolution-Guided Beam and Power
Allocation for mmWave Networks [80.37827344656048]
我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。
教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
論文 参考訳（メタデータ） (2023-05-08T05:40:54Z) - Beam Management in Ultra-dense mmWave Network via Federated
Reinforcement Learning: An Intelligent and Secure Approach [19.01563068819449]
超高密度ミリ波ネットワーク(UDmmWave)の鍵となる課題は、高伝搬遅延制限ビームカバレッジによるビーム管理である。
本稿では,ユーザプライバシを理論的に保護し,ハンドオフコストを低減できる新しいビーム管理手法を提案する。
論文 参考訳（メタデータ） (2022-10-04T01:47:33Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - Communication-Efficient Split Learning Based on Analog Communication and
Over the Air Aggregation [48.150466900765316]
スプリットラーニング(SL)は、その固有のプライバシー保護機能と、限られた計算能力を持つデバイスに対する協調推論を可能にする能力により、最近人気を集めている。
標準SLアルゴリズムは、理想的なデジタル通信システムを想定し、通信帯域不足の問題を無視している。
本稿では,エージェント側で追加層を導入し,重みとバイアスの選択を制約し,空気の凝集を確実にするための新しいSLフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-02T07:49:41Z) - Multi-hop RIS-Empowered Terahertz Communications: A DRL-based Hybrid
Beamforming Design [39.21220050099642]
テラヘルツ帯における無線通信 (0.1-10thz) は、将来の第6世代 (6g) 無線通信システムの鍵となる技術の一つとして考えられている。
マルチホップRIS対応通信ネットワークのための新しいハイブリッドビームフォーミング方式を提案し,THz帯域でのカバレッジ範囲を改善する。
論文 参考訳（メタデータ） (2021-01-22T14:56:28Z) - Hybrid Beamforming for RIS-Empowered Multi-hop Terahertz Communications:
A DRL-based Method [43.95403787396996]
TeraHertzバンド(0.1-10 THz)における無線通信は、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ひとつとして想定されている。
本稿では,マルチホップRIS支援通信ネットワークのための新しいハイブリッドビームフォーミング方式を提案する。
論文 参考訳（メタデータ） (2020-09-20T07:51:49Z) - Harnessing Wireless Channels for Scalable and Privacy-Preserving
Federated Learning [56.94644428312295]
無線接続は、フェデレートラーニング(FL)の実現に有効である
Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。
A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。
これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
論文 参考訳（メタデータ） (2020-07-03T16:31:15Z) - Reinforcement Learning for Mitigating Intermittent Interference in
Terahertz Communication Networks [4.999585439793266]
多数のユーザによる非協調送信はテラヘルツネットワークに重大な干渉を引き起こす可能性がある。
適応型マルチスレッディング戦略を用いた強化学習に基づく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） (2020-03-10T16:28:45Z)
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。