論文の概要: A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC
in Industrial IoT
- arxiv url: http://arxiv.org/abs/2401.06135v1
- Date: Tue, 21 Nov 2023 12:22:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 13:02:46.269528
- Title: A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC
in Industrial IoT
- Title（参考訳）: 産業用IoTにおけるURLLCを実現する分散ニューラルネットワーク線形トンプソンサンプリングフレームワーク
- Authors: Francesco Pase, Marco Giordani, Sara Cavallero, Malte Schellmann,
Josef Eichinger, Roberto Verdone, Michele Zorzi
- Abstract要約: 産業用IoT(Industrial Internet of Things)ネットワークは、重要なプロセスをサポートするために、ウルトラ信頼性の低い低レイテンシ通信(URLLC)を提供する。
無線リソースを割り当てるための標準プロトコルは、特にアップリンク通信において、レイテンシと信頼性のトレードオフを最適化しない可能性がある。
- 参考スコア（独自算出の注目度）: 16.167107624956294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial Internet of Things (IIoT) networks will provide Ultra-Reliable
Low-Latency Communication (URLLC) to support critical processes underlying the
production chains. However, standard protocols for allocating wireless
resources may not optimize the latency-reliability trade-off, especially for
uplink communication. For example, centralized grant-based scheduling can
ensure almost zero collisions, but introduces delays in the way resources are
requested by the User Equipments (UEs) and granted by the gNB. In turn,
distributed scheduling (e.g., based on random access), in which UEs
autonomously choose the resources for transmission, may lead to potentially
many collisions especially when the traffic increases. In this work we propose
DIStributed combinatorial NEural linear Thompson Sampling (DISNETS), a novel
scheduling framework that combines the best of the two worlds. By leveraging a
feedback signal from the gNB and reinforcement learning, the UEs are trained to
autonomously optimize their uplink transmissions by selecting the available
resources to minimize the number of collisions, without additional message
exchange to/from the gNB. DISNETS is a distributed, multi-agent adaptation of
the Neural Linear Thompson Sampling (NLTS) algorithm, which has been further
extended to admit multiple parallel actions. We demonstrate the superior
performance of DISNETS in addressing URLLC in IIoT scenarios compared to other
baselines.
- Abstract（参考訳）: 産業用IoT(Industrial Internet of Things)ネットワークは、生産チェーンを支える重要なプロセスをサポートするために、ウルトラ信頼性の低い低レイテンシ通信(URLLC)を提供する。
しかし、無線リソースを割り当てる標準的なプロトコルは、特にアップリンク通信において遅延-信頼性トレードオフを最適化しない可能性がある。
例えば、集中的な認可ベースのスケジューリングは、ほとんどゼロの衝突を保証できるが、ユーザー機器(UE)がリソースを要求し、gNBが許可する方法に遅延をもたらす。
逆に、UEが自律的に送信するリソースを選択する分散スケジューリング(例えばランダムアクセスに基づく)は、特にトラフィックが増加すると、潜在的に多くの衝突を引き起こす可能性がある。
本研究では,2つの世界の長所を組み合わせた新しいスケジューリングフレームワークであるDISNETSを提案する。
UEは、gNBからのフィードバック信号と強化学習を利用して、gNBへのメッセージ交換を必要とせず、利用可能なリソースを選択して衝突回数を最小限にすることで、アップリンク送信を自律的に最適化するように訓練される。
DISNETSはニューラル線形トンプソンサンプリング(NLTS)アルゴリズムの分散マルチエージェント適応であり、複数の並列動作を許容するようにさらに拡張されている。
他のベースラインと比較して,IIoTシナリオのURLLCに対処する上で,DisNETSの優れた性能を示す。
関連論文リスト
- Latency Optimization in LEO Satellite Communications with Hybrid Beam Pattern and Interference Control [20.19239663262141]
低軌道(LEO)衛星通信システムは次世代用途に不可欠な高容量で低遅延のサービスを提供する。
LEO星座の密な構成は資源配分最適化と干渉管理の課題を提起する。
本稿では,マルチビームLEOシステムにおけるビームスケジューリングとリソース割り当てを最適化するための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） (2024-11-14T17:18:24Z) - Collaborative Ground-Space Communications via Evolutionary Multi-objective Deep Reinforcement Learning [113.48727062141764]
地中直接通信を実現するために,分散コラボレーティブビームフォーミング(DCB)に基づくアップリンク通信パラダイムを提案する。
DCBは、低軌道(LEO)衛星と効率的な直接接続を確立することができない端末を分散アンテナとして扱う。
本稿では,進化的多目的深層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） (2024-04-11T03:13:02Z) - Efficient Parallel Split Learning over Resource-constrained Wireless
Edge Networks [44.37047471448793]
本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。
そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。
提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2023-03-26T16:09:48Z) - Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via
Conformal Prediction [72.59079526765487]
アップリンクにおける超信頼性・低遅延トラフィック(URLLC)の動的スケジューリングは、既存のサービスの効率を大幅に向上させることができる。
主な課題は、URLLCパケット生成のプロセスにおける不確実性である。
本稿では,URLLC トラフィック予測器の品質に関わらず,信頼性と遅延を保証した新しい URLLC パケットスケジューラを提案する。
論文 参考訳（メタデータ） (2023-02-15T14:09:55Z) - Distributed Resource Allocation for URLLC in IIoT Scenarios: A
Multi-Armed Bandit Approach [17.24490186427519]
本稿では,将来の6G産業用IoT(Industrial Internet of Things, IIoT)ネットワークにおいて,機械間ウルトラ信頼性低レイテンシ通信(URLLC)を実現するという課題に対処する。
本研究では,ユーザ機器がアリンク無線リソースを自律的に選択する機械学習に基づく,分散型ユーザ中心方式について検討する。
シミュレーションを用いて,URLLCを念頭に置いてリソースを割り当てる上で,MAB(Multi-Armed Bandit)アプローチが望ましい手法であることを実証した。
論文 参考訳（メタデータ） (2022-11-22T11:50:05Z) - Learning Resilient Radio Resource Management Policies with Graph Neural
Networks [124.89036526192268]
我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。
有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。
このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
論文 参考訳（メタデータ） (2022-03-07T19:40:39Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Deep Reinforcement Learning for Resource Constrained Multiclass
Scheduling in Wireless Networks [0.0]
セットアップでは、ランダムに到着するサービス要求に対応するために、利用可能な限られた帯域幅のリソースを割り当てます。
本稿では,Deep Setsと組み合わせた分布型Deep Deterministic Policy Gradient (DDPG)アルゴリズムを提案する。
提案アルゴリズムは, 合成データと実データの両方で検証し, 従来手法に対する一貫した利得を示す。
論文 参考訳（メタデータ） (2020-11-27T09:49:38Z) - Deep Learning-based Resource Allocation For Device-to-Device
Communication [66.74874646973593]
デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。
任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。
シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
論文 参考訳（メタデータ） (2020-11-25T14:19:23Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z)
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。