Fugu-MT 論文翻訳(概要): Interference-Aware Emergent Random Access Protocol for Downlink LEO Satellite Networks

論文の概要: Interference-Aware Emergent Random Access Protocol for Downlink LEO Satellite Networks

arxiv url: http://arxiv.org/abs/2402.02350v1
Date: Sun, 4 Feb 2024 05:27:59 GMT
ステータス: 処理完了
システム内更新日: 2024-02-06 20:27:39.366512
Title: Interference-Aware Emergent Random Access Protocol for Downlink LEO Satellite Networks
Title（参考訳）: ダウンリンクLEO衛星ネットワークのための干渉対応創発的ランダムアクセスプロトコル
Authors: Chang-Yong Lim, Jihong Park, Jinho Choi, Ju-Hyung Lee, Daesub Oh, Heewook Kim
Abstract要約: 本稿では,低地球軌道(LEO)衛星ネットワークをダウンリンクするための多重アクセスプロトコルを訓練するための多エージェント深部強化学習フレームワークを提案する。既存の学習プロトコルであるeRACHの改良により,eRACHのための集中型および圧縮型創発型信号処理法であるeRACHは,衛星間干渉を軽減することができる。
参考スコア（独自算出の注目度）: 31.002905120294745
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this article, we propose a multi-agent deep reinforcement learning (MADRL) framework to train a multiple access protocol for downlink low earth orbit (LEO) satellite networks. By improving the existing learned protocol, emergent random access channel (eRACH), our proposed method, coined centralized and compressed emergent signaling for eRACH (Ce2RACH), can mitigate inter-satellite interference by exchanging additional signaling messages jointly learned through the MADRL training process. Simulations demonstrate that Ce2RACH achieves up to 36.65% higher network throughput compared to eRACH, while the cost of signaling messages increase linearly with the number of users.
Abstract（参考訳）: 本稿では、低地球軌道(LEO)衛星ネットワークをダウンリンクするための多重アクセスプロトコルを訓練するためのマルチエージェント深部強化学習(MADRL)フレームワークを提案する。既存の学習プロトコルであるeRACHの改良により,eRACH(Ce2RACH)のための集中型および圧縮型創発型シグナリング法(eRACH)が,MADRLトレーニングプロセスを通じて学習した追加のシグナリングメッセージを交換することにより,サテライト間干渉を軽減することができる。 Ce2RACHはeRACHに比べて最大36.65%高いスループットを実現し、メッセージの合理化コストはユーザ数と直線的に増加する。

関連論文リスト

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)
Multi-Agent Deep Reinforcement Learning for Distributed Satellite Routing [7.793857269225969]
本稿では、低軌道衛星コンステレーション(LSatC)におけるルーティングのためのマルチエージェント深部強化学習(MA-DRL)手法を提案する。その結果,MA-DRLはオフラインで最適な経路を効率よく学習し,効率の良い分散ルーティングのためにロードすることがわかった。
論文参考訳（メタデータ） (2024-02-27T16:36:53Z)
Perimeter Control with Heterogeneous Metering Rates for Cordon Signals: A Physics-Regularized Multi-Agent Reinforcement Learning Approach [12.86346901414289]
過飽和環境下での都市道路網の制御に対処するための周辺制御(PC)戦略が提案されている。本稿では,MARL(Multi-Agent Reinforcement Learning)に基づく交通信号制御フレームワークを活用し,PC問題を分解する。 MARLフレームワークの物理正則化手法は,分散コードン信号制御装置がグローバルネットワークの状態を認識していることを確実にするために提案される。
論文参考訳（メタデータ） (2023-08-24T13:51:16Z)
Task-dependent semi-quantum secure communication in layered networks with OAM states of light [0.0]
層状ネットワークにおけるセキュア通信のためのプロトコルを2つ提案する。第1のプロトコルでは、2つのレイヤのネットワークで2つのキーを同時に共有することができる。第二のプロトコルは、一方の層で直接通信し、もう一方の層で鍵を分配する。
論文参考訳（メタデータ） (2023-06-20T17:57:00Z)
Decentralized Learning over Wireless Networks: The Effect of Broadcast with Random Access [56.91063444859008]
本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
論文参考訳（メタデータ） (2023-05-12T10:32:26Z)
Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。 eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。 RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
論文参考訳（メタデータ） (2021-12-03T07:44:45Z)
Distributional Reinforcement Learning for mmWave Communications with Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文参考訳（メタデータ） (2020-11-03T16:50:37Z)
Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
論文参考訳（メタデータ） (2020-05-26T05:39:27Z)
Multi-agent Reinforcement Learning for Networked System Control [6.89105475513757]
本稿では,ネットワークシステム制御におけるマルチエージェント強化学習(MARL)について考察する。我々は,NMARLにおける情報損失と非定常性を低減するため,NeurCommと呼ばれる新しい通信プロトコルを提案する。 NeurCommは学習効率と制御性能の両方で既存の通信プロトコルより優れている。
論文参考訳（メタデータ） (2020-04-03T02:21:07Z)
Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文参考訳（メタデータ） (2020-02-24T22:18:54Z)

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。