論文の概要: Teacher-Student Learning based Low Complexity Relay Selection in
Wireless Powered Communications
- arxiv url: http://arxiv.org/abs/2402.02254v1
- Date: Sat, 3 Feb 2024 20:22:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 21:01:26.160919
- Title: Teacher-Student Learning based Low Complexity Relay Selection in
Wireless Powered Communications
- Title（参考訳）: 教師学習に基づく無線通信における低複雑性リレー選択
- Authors: Aysun Gurur Onalan, Berkay Kopru, Sinem Coleri
- Abstract要約: 本稿では,マルチソース・マルチリレーRF-EHネットワークにおける連系選択,スケジューリング,電力制御問題について検討する。
まず、与えられたリレー選択に対するスケジューリングと電力制御の問題に対する最適解を得る。
次に、リレー選択問題を分類問題として定式化し、2つの畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 10.177917426690701
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radio Frequency Energy Harvesting (RF-EH) networks are key enablers of
massive Internet-of-things by providing controllable and long-distance energy
transfer to energy-limited devices. Relays, helping either energy or
information transfer, have been demonstrated to significantly improve the
performance of these networks. This paper studies the joint relay selection,
scheduling, and power control problem in multiple-source-multiple-relay RF-EH
networks under nonlinear EH conditions. We first obtain the optimal solution to
the scheduling and power control problem for the given relay selection. Then,
the relay selection problem is formulated as a classification problem, for
which two convolutional neural network (CNN) based architectures are proposed.
While the first architecture employs conventional 2D convolution blocks and
benefits from skip connections between layers; the second architecture replaces
them with inception blocks, to decrease trainable parameter size without
sacrificing accuracy for memory-constrained applications. To decrease the
runtime complexity further, teacher-student learning is employed such that the
teacher network is larger, and the student is a smaller size CNN-based
architecture distilling the teacher's knowledge. A novel dichotomous
search-based algorithm is employed to determine the best architecture for the
student network. Our simulation results demonstrate that the proposed solutions
provide lower complexity than the state-of-art iterative approaches without
compromising optimality.
- Abstract（参考訳）: RF-EH(Radio Frequency Energy Harvesting, RF-EH)ネットワークは、制御可能で長距離のエネルギー伝達をエネルギー制限デバイスに提供することにより、巨大なインターネットの有効化の鍵となる。
リレーは、エネルギーまたは情報転送の助けとなり、これらのネットワークの性能を大幅に改善することが実証されている。
本稿では,非線形EH条件下での複数ソース中継RF-EHネットワークにおける連系選択,スケジューリング,電力制御問題について検討する。
まず、与えられたリレー選択に対するスケジューリングと電力制御の問題に対する最適解を得る。
次に、リレー選択問題を分類問題として定式化し、2つの畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを提案する。
第1のアーキテクチャは従来の2d畳み込みブロックを採用し、レイヤ間の接続をスキップする利点があるが、第2のアーキテクチャは2d畳み込みブロックをインセプションブロックに置き換え、メモリ制約されたアプリケーションの精度を犠牲にすることなく、トレーニング可能なパラメータサイズを削減する。
さらに、実行時の複雑さを減らし、教師ネットワークが大きくなるように教師学生学習を採用し、教師の知識を蒸留するCNNベースの小型アーキテクチャを学生に提供する。
学生ネットワークの最適なアーキテクチャを決定するために,新しいdichotomous search-based algorithmを用いた。
シミュレーションの結果,提案手法は最適性を損なうことなく,最先端の反復的アプローチよりも複雑性が低いことがわかった。
関連論文リスト
- Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。
本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。
ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
論文 参考訳（メタデータ） (2024-02-27T11:52:49Z) - Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow [4.27638925658716]
グラフニューラルネットワーク(GNN)は、データに機械学習(ML)アルゴリズムを自然に使用可能にする。
深層強化学習(DRL)は、複雑な意思決定問題を解決する強力な能力で知られている。
問題を解決する方法を学ぶアーキテクチャを提案し、同時にシナリオを発見できるアーキテクチャを提案します。
論文 参考訳（メタデータ） (2022-12-23T17:00:00Z) - RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-17T11:06:29Z) - Graph Reinforcement Learning for Radio Resource Allocation [13.290246410488727]
我々は,無線通信における多くの問題に固有の2種類のリレーショナル先行性を活用するために,グラフ強化学習を利用する。
グラフ強化学習フレームワークを体系的に設計するために,まず状態行列を状態グラフに変換する方法を提案する。
次に,所望の置換特性を満たすグラフニューラルネットワークの汎用手法を提案する。
論文 参考訳（メタデータ） (2022-03-08T08:02:54Z) - 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 Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Efficient Transfer Learning via Joint Adaptation of Network Architecture
and Weight [66.8543732597723]
近年のニューラルネットワーク探索(NAS)は,十分なネットワーク探索空間を確立することで伝達学習を支援する。
本稿では,2つのモジュールからなる新しいフレームワークを提案する。アーキテクチャトランスファーのためのニューラルアーキテクチャ探索モジュールと,ウェイトトランスファーのためのニューラルウェイト探索モジュールである。
これら2つのモジュールは、減らされたスーパーネットワークに基づいてターゲットタスクを探索するので、ソースタスクのみを訓練する必要がある。
論文 参考訳（メタデータ） (2021-05-19T08:58:04Z) - Federated Double Deep Q-learning for Joint Delay and Energy Minimization
in IoT networks [12.599009485247283]
本稿では,多目的最適化問題の解法として,連合型深層強化学習フレームワークを提案する。
各エピソードの最後に,IoTデバイス(エージェント)の学習速度を高めるために,フェデレーション学習(FDL)を取り入れた。
提案するDDQNフレームワークの有効性を,学習速度の観点から検証した。
論文 参考訳（メタデータ） (2021-04-02T18:41:59Z) - Learning Centric Wireless Resource Allocation for Edge Computing:
Algorithm and Experiment [15.577056429740951]
Edge Intelligenceは、センサー、通信、コンピューティングコンポーネントを統合し、さまざまな機械学習アプリケーションをサポートする、新興ネットワークアーキテクチャである。
既存の方法は2つの重要な事実を無視している: 1) 異なるモデルがトレーニングデータに不均一な要求を持っている; 2) シミュレーション環境と実環境との間にはミスマッチがある。
本稿では,複数のタスクの最悪の学習性能を最大化する学習中心の無線リソース割り当て方式を提案する。
論文 参考訳（メタデータ） (2020-10-29T06:20:40Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。