論文の概要: Optimizing Wireless Networks with Deep Unfolding: Comparative Study on Two Deep Unfolding Mechanisms

• arxiv url: http://arxiv.org/abs/2403.18930v1
• Date: Sat, 17 Feb 2024 16:36:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 02:25:04.069733
• Title: Optimizing Wireless Networks with Deep Unfolding: Comparative Study on Two Deep Unfolding Mechanisms
• Title（参考訳）: ディープ・アンフォールディングによる無線ネットワークの最適化:2つのディープ・アンフォールディング機構の比較検討
• Authors: Abuzar B. M. Adam, Mohammed A. M. Elhassan, Elhadj Moustapha Diallo,
• Abstract要約: 我々は,次世代無線ネットワークにおける電力制御を効率的に行うための2つの深い展開機構について,比較推論を行う。 シミュレーションの結果、提案したディープラーニングと反復解の性能を、速度と速度の観点から比較し、適合性を示す。
• 参考スコア（独自算出の注目度）: 0.7373617024876725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we conduct a comparative study on two deep unfolding mechanisms to efficiently perform power control in the next generation wireless networks. The power control problem is formulated as energy efficiency over multiple interference links. The problem is nonconvex. We employ fractional programming transformation to design two solutions for the problem. The first solution is a numerical solution while the second solution is a closed-form solution. Based on the first solution, we design a semi-unfolding deep learning model where we combine the domain knowledge of the wireless communications and the recent advances in the data-driven deep learning. Moreover, on the highlights of the closed-form solution, fully deep unfolded deep learning model is designed in which we fully leveraged the expressive closed-form power control solution and deep learning advances. In the simulation results, we compare the performance of the proposed deep learning models and the iterative solutions in terms of accuracy and inference speed to show their suitability for the real-time application in next generation networks.
• Abstract（参考訳）: 本研究では,次世代無線ネットワークにおける電力制御を効率的に行うための2つの深い展開機構の比較研究を行う。 電力制御問題は、複数の干渉リンク上でのエネルギー効率として定式化される。 問題は非凸である。 この問題に対する2つのソリューションを設計するために、分数的なプログラミング変換を使用します。 第1の解は数値解であり、第2の解は閉形式解である。 最初のソリューションに基づいて、無線通信のドメイン知識と、データ駆動型ディープラーニングの最近の進歩を組み合わせた半展開型ディープラーニングモデルを設計する。 さらに,クローズドフォームソリューションのハイライトとして,表現力のあるクローズドフォームパワーコントロールソリューションとディープラーニングの進歩をフル活用した,完全深部展開型ディープラーニングモデルが設計されている。 シミュレーションの結果、提案したディープラーニングモデルと反復解の性能を精度と推論速度で比較し、次世代ネットワークにおけるリアルタイムアプリケーションへの適合性を示す。

関連論文リスト

• Teacher-Student Learning based Low Complexity Relay Selection in Wireless Powered Communications [10.177917426690701]
  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。
  論文  参考訳（メタデータ） (2024-02-03T20:22:41Z)
• Graph Reinforcement Learning for Network Control via Bi-Level Optimization [37.00510744883984]
  我々は、データ駆動戦略がこのプロセスを自動化し、最適性を損なうことなく効率的なアルゴリズムを学習できると主張している。 我々は、強化学習のレンズを通してネットワーク制御の問題を提示し、幅広い問題に対処するグラフネットワークベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-16T03:20:22Z)
• 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)
• To Supervise or Not: How to Effectively Learn Wireless Interference Management Models? [43.317056712257994]
  機械学習は、無線干渉管理問題の解決に成功している。 このような干渉管理モデルには、教師あり学習と教師なし学習の2つの一般的な訓練パラダイムがある。 特殊な電力制御問題に対して、教師なし学習は教師なし学習よりもはるかに悪い性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-28T06:29:08Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)
• 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)
• 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)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)
• 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)
• Channel Assignment in Uplink Wireless Communication using Machine Learning Approach [54.012791474906514]
  本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。 我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。 計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
  論文  参考訳（メタデータ） (2020-01-12T15:54:20Z)

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。