論文の概要: Machine Learning (ML)-assisted Beam Management in millimeter (mm)Wave Distributed Multiple Input Multiple Output (D-MIMO) systems

• arxiv url: http://arxiv.org/abs/2401.05422v1
• Date: Sat, 30 Dec 2023 09:24:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 08:21:51.125709
• Title: Machine Learning (ML)-assisted Beam Management in millimeter (mm)Wave Distributed Multiple Input Multiple Output (D-MIMO) systems
• Title（参考訳）: ミリ波分散多入力多重出力(d-mimo)システムにおける機械学習(ml)支援ビーム管理
• Authors: Karthik R M, Dhiraj Nagaraja Hegde, Muris Sarajlic, Abhishek Sarkar
• Abstract要約: 本稿では,ビームサブセットのみの発振から最適なAP/ビームを確実に推定できるかどうかを検討する。 我々は、推論の性能上の利点を示すために、ランダムフォレスト(RF)、ミスフォレスト(MF)、条件付き生成適応ネットワーク(c-GAN)を用いる。
• 参考スコア（独自算出の注目度）: 0.5079602839359522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Beam management (BM) protocols are critical for establishing and maintaining connectivity between network radio nodes and User Equipments (UEs). In Distributed Multiple Input Multiple Output systems (D-MIMO), a number of access points (APs), coordinated by a central processing unit (CPU), serves a number of UEs. At mmWave frequencies, the problem of finding the best AP and beam to serve the UEs is challenging due to a large number of beams that need to be sounded with Downlink (DL) reference signals. The objective of this paper is to investigate whether the best AP/beam can be reliably inferred from sounding only a small subset of beams and leveraging AI/ML for inference of best beam/AP. We use Random Forest (RF), MissForest (MF) and conditional Generative Adversarial Networks (c-GAN) for demonstrating the performance benefits of inference.
• Abstract（参考訳）: ビーム管理(BM)プロトコルは、ネットワーク無線ノードとユーザ機器(UE)間の接続を確立するために重要である。 分散多重入力多重出力システム(D-MIMO)では、中央処理ユニット(CPU)によって調整された多数のアクセスポイント(AP)が多数のUEを提供している。 mm波の周波数では、ダウンリンク(dl)基準信号で音を鳴らす必要がある多数のビームのために、uesに最適なapとビームを見つけるという問題は困難である。 本研究の目的は,最良AP/ビームが少数のビームのみの発声から確実に推定できるかどうかを検証し,ベストビーム/APの推測にAI/MLを活用することである。 我々は,ランダムフォレスト (rf), ミスフォレスト (mf) および条件付き生成敵ネットワーク (c-gan) を用いて, 推論性能の利点を示す。

関連論文リスト

• WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
  大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。 本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-11T02:48:00Z)
• WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
  我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。 我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。 我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
  論文  参考訳（メタデータ） (2024-05-06T02:55:50Z)
• 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 Driven by Radio Environment Maps in O-RAN Architecture [2.0305676256390934]
  M-MIMOは5Gと将来の6Gネットワークの主要な技術の一つと考えられている。 ビームの静的集合、すなわちグリッド・オブ・ビーム(GoB)を利用するM-MIMOネットワークの実装が容易である。 ビームマネジメント(BM)は、無線環境に関する歴史的知識を考慮し、強化することができる。 提案手法はOpen Radio Access Network (O-RAN) アーキテクチャに準拠している。
  論文  参考訳（メタデータ） (2023-03-21T11:09:31Z)
• Multi-Power Level $Q$-Learning Algorithm for Random Access in NOMA mMTC Systems [0.0]
  マシン型通信(mMTC)は、第5世代無線通信(B5G)を統合するための新しいサービスの一部である。 大規模ランダムアクセス(RA)問題は、2つ以上のデバイスが同じリソースブロックを選択するときに衝突する際に発生する。 非直交多重アクセス(NOMA)伝送方式を用いて伝送電力の多様性を生成するマルチパワーレベルQL(MPL-QL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-12T18:31:00Z)
• MIMO-DBnet: Multi-channel Input and Multiple Outputs DOA-aware Beamforming Network for Speech Separation [55.533789120204055]
  混合信号のみを用いた方向案内音声分離のためのエンドツーエンドビームフォーミングネットワークを提案する。 具体的には,複数チャネルの入力と複数出力アーキテクチャを設計し,各ソースの指向性に基づく埋め込みとビームフォーミング重みを推定する。
  論文  参考訳（メタデータ） (2022-12-07T01:52:40Z)
• 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)
• Multi-IRS-assisted Multi-Cell Uplink MIMO Communications under Imperfect CSI: A Deep Reinforcement Learning Approach [27.93504884774207]
  アップリンクにおけるマルチIRS支援マルチセルネットワークのための新しい手法を開発した。 我々は、IRSビームリフレクター、BSコンバインダ、UE送信パワーを共同最適化することを目的とした和率問題を定式化する。 その結果,本手法はベースライン手法と比較して,平均データレートが大幅に向上していることが示唆された。
  論文  参考訳（メタデータ） (2020-11-02T17:33:23Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)

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。