論文の概要: A Semantic-Aware Multiple Access Scheme for Distributed, Dynamic
6G-Based Applications
- arxiv url: http://arxiv.org/abs/2401.06308v1
- Date: Fri, 12 Jan 2024 00:32:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 20:45:03.989867
- Title: A Semantic-Aware Multiple Access Scheme for Distributed, Dynamic
6G-Based Applications
- Title(参考訳): 分散型動的6Gアプリケーションのためのセマンティック・アウェア多重アクセス方式
- Authors: Hamidreza Mazandarani, Masoud Shokrnezhad, and Tarik Taleb
- Abstract要約: 本稿では,無線スペクトルへの多重アクセス問題に対する新しい定式化を提案する。
その目的は、$alpha$-fairnessメトリックを使用して、使い勝手のトレードオフを最適化することにある。
Semantic-Aware Multi-Agent Double and Dueling Deep Q-Learning (SAMA-D3QL) 手法を提案する。
- 参考スコア(独自算出の注目度): 14.51946231794179
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The emergence of the semantic-aware paradigm presents opportunities for
innovative services, especially in the context of 6G-based applications.
Although significant progress has been made in semantic extraction techniques,
the incorporation of semantic information into resource allocation
decision-making is still in its early stages, lacking consideration of the
requirements and characteristics of future systems. In response, this paper
introduces a novel formulation for the problem of multiple access to the
wireless spectrum. It aims to optimize the utilization-fairness trade-off,
using the $\alpha$-fairness metric, while accounting for user data correlation
by introducing the concepts of self- and assisted throughputs. Initially, the
problem is analyzed to identify its optimal solution. Subsequently, a
Semantic-Aware Multi-Agent Double and Dueling Deep Q-Learning (SAMA-D3QL)
technique is proposed. This method is grounded in Model-free Multi-Agent Deep
Reinforcement Learning (MADRL), enabling the user equipment to autonomously
make decisions regarding wireless spectrum access based solely on their local
individual observations. The efficiency of the proposed technique is evaluated
through two scenarios: single-channel and multi-channel. The findings
illustrate that, across a spectrum of $\alpha$ values, association matrices,
and channels, SAMA-D3QL consistently outperforms alternative approaches. This
establishes it as a promising candidate for facilitating the realization of
future federated, dynamically evolving applications.
- Abstract(参考訳): セマンティック・アウェア・パラダイムの出現は、特に6Gベースのアプリケーションにおいて、革新的なサービスの可能性を示す。
セマンティック抽出技術は大きな進歩を遂げているが,資源配分決定へのセマンティック情報の導入はまだ初期段階であり,今後のシステム要件や特性は考慮されていない。
そこで本研究では,無線スペクトルへの多重アクセス問題に対する新しい定式化を提案する。
自己と補助スループットの概念を導入することによって、ユーザデータの相関を考慮しつつ、$\alpha$-fairnessメトリックを使用して、利用と公正のトレードオフを最適化することを目的としている。
当初、問題は最適解を特定するために分析される。
その後,Semantic-Aware Multi-Agent Double and Dueling Deep Q-Learning (SAMA-D3QL)技術を提案する。
本手法はモデルフリーのマルチエージェント深層強化学習(madrl)を基盤とし,ユーザ機器が局所的な観測のみに基づいて無線帯域アクセスに関する意思決定を自律的に行うことができる。
提案手法の効率は,シングルチャネルとマルチチャネルの2つのシナリオで評価した。
この結果は、$\alpha$値、関連行列、チャネルのスペクトルにおいて、SAMA-D3QLは代替アプローチよりも一貫して優れていることを示している。
これにより、将来の連合アプリケーションや動的に進化するアプリケーションの実現を促進する有望な候補として確立される。
関連論文リスト
- Semi-Supervised Learning Approach for Efficient Resource Allocation with
Network Slicing in O-RAN [5.6189692698829115]
Open Radio Access Network (O-RAN) は、ネットワークオペレーターにとって有望なソリューションである。
xAPP(x-applications)の効果的なコーディネーションの確保は、柔軟性の向上とネットワーク性能の最適化に不可欠である。
我々は、O-RANにおけるネットワークスライシングとリソースアロケーションのために、複数の独立したxAPPを協調させることを目的として、リソースアロケーション問題に革新的なアプローチを導入する。
論文 参考訳(メタデータ) (2024-01-16T22:23:27Z) - When Parameter-efficient Tuning Meets General-purpose Vision-language
Models [65.19127815275307]
PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。
実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-16T17:13:08Z) - Self-Sustaining Multiple Access with Continual Deep Reinforcement
Learning for Dynamic Metaverse Applications [17.436875530809946]
Metaverseは,さまざまな世界で構成される仮想環境の構築を目的とした,新たなパラダイムだ。
このような動的で複雑なシナリオに対処するためには、自己維持戦略を採用する方法が考えられる。
本稿では,知的エージェントのスループットを最大化するために,マルチチャネル環境におけるマルチアクセスの問題について検討する。
論文 参考訳(メタデータ) (2023-09-18T22:02:47Z) - Multi-objective Deep Reinforcement Learning for Mobile Edge Computing [11.966938107719903]
モバイルエッジコンピューティング(MEC)は、遅延やエネルギー消費など、さまざまなパフォーマンス指標を優先する次世代のモバイルネットワークアプリケーションに不可欠である。
本研究では,複数のエッジを持つMECにおいて,長期エネルギー消費と送信遅延を最小限に抑えるために,多目的オフロード問題を定式化する。
我々は,MECシステムにおいて,複数のエッジの機能を構築するためのよく設計された状態符号化手法を導入し,遅延とエネルギー消費のユーティリティを正確に計算する洗練された報酬関数を提案する。
論文 参考訳(メタデータ) (2023-07-05T16:36:42Z) - Semantic Information Marketing in The Metaverse: A Learning-Based
Contract Theory Framework [68.8725783112254]
仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。
帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。
本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
論文 参考訳(メタデータ) (2023-02-22T15:52:37Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳(メタデータ) (2022-07-03T06:57:07Z) - Data-Driven Evolutionary Multi-Objective Optimization Based on
Multiple-Gradient Descent for Disconnected Pareto Fronts [6.560512252982714]
本稿では,データ駆動型進化的多目的最適化(EMO)アルゴリズムを提案する。
そのインフィル基準は、高価な客観的関数評価を行うための、有望な候補ソリューションのバッチを推奨している。
論文 参考訳(メタデータ) (2022-05-28T06:01:41Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Cooperative Multi-Agent Reinforcement Learning Based Distributed Dynamic
Spectrum Access in Cognitive Radio Networks [46.723006378363785]
ダイナミックスペクトルアクセス(DSA)は、非効率的なスペクトル利用の問題を改善するための、有望なパラダイムである。
本稿では,一般的な認知無線ネットワークにおけるマルチユーザに対する分散DSA問題について検討する。
我々は、各認知ユーザに対する状態の部分的観測可能性に対処するために、DRQN(Deep Recurrent Q-network)を用いている。
論文 参考訳(メタデータ) (2021-06-17T06:52:21Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳(メタデータ) (2020-08-29T08:39:43Z)
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。