論文の概要: Cell Switching in HAPS-Aided Networking: How the Obscurity of Traffic Loads Affects the Decision
- arxiv url: http://arxiv.org/abs/2405.00387v1
- Date: Wed, 1 May 2024 08:38:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-02 16:17:22.284828
- Title: Cell Switching in HAPS-Aided Networking: How the Obscurity of Traffic Loads Affects the Decision
- Title（参考訳）: HAPS支援ネットワークにおけるセルスイッチング : 交通負荷の異常が決定にどう影響するか
- Authors: Berk Çiloğlu, Görkem Berkay Koç, Metin Ozturk, Halim Yanikomeroglu,
- Abstract要約: スイッチング決定が現在の時間帯で積極的に行われるため、次の時間帯の睡眠基地局の交通負荷が要求される。
2つの異なるQ-ラーニングアルゴリズムが開発され、1つはフルスケールで、パフォーマンスのみに重点を置いており、もう1つは軽量で計算コストに対処している。
その結果、推定誤差はセル切替決定を変更でき、非エラーシナリオと比較して性能のばらつきが生じることを確認した。
- 参考スコア（独自算出の注目度）: 18.881800772626427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study aims to introduce the cell load estimation problem of cell switching approaches in cellular networks specially-presented in a high-altitude platform station (HAPS)-assisted network. The problem arises from the fact that the traffic loads of sleeping base stations for the next time slot cannot be perfectly known, but they can rather be estimated, and any estimation error could result in divergence from the optimal decision, which subsequently affects the performance of energy efficiency. The traffic loads of the sleeping base stations for the next time slot are required because the switching decisions are made proactively in the current time slot. Two different Q-learning algorithms are developed; one is full-scale, focusing solely on the performance, while the other one is lightweight and addresses the computational cost. Results confirm that the estimation error is capable of changing cell switching decisions that yields performance divergence compared to no-error scenarios. Moreover, the developed Q-learning algorithms perform well since an insignificant difference (i.e., 0.3%) is observed between them and the optimum algorithm.
- Abstract（参考訳）: 本研究では,高高度プラットフォーム局(HAPS)に特有なセルスイッチングアプローチのセル負荷推定問題を導入することを目的とする。
この問題は、次の時間帯における睡眠基地局の交通負荷が完全には分かっていないが、むしろ推定可能であり、任意の推定誤差が最適決定から分岐し、エネルギー効率に影響を及ぼすという事実から生じる。
スイッチング決定が現在の時間帯で積極的に行われるため、次の時間帯の睡眠基地局の交通負荷が要求される。
2つの異なるQ-ラーニングアルゴリズムが開発され、1つはフルスケールで、パフォーマンスのみに重点を置いており、もう1つは軽量で計算コストに対処している。
その結果、推定誤差はセル切替決定を変更でき、非エラーシナリオと比較して性能のばらつきが生じることを確認した。
さらに,これらのアルゴリズムと最適アルゴリズムの差(0.3%)が観測されているため,Q-ラーニングアルゴリズムの性能は良好である。
関連論文リスト
- Robust Communication and Computation using Deep Learning via Joint Uncertainty Injection [15.684142238738797]
コミュニケーションと計算の収束と機械学習と人工知能の統合は、第6世代通信システム(6G)の鍵となる力となる。
本稿では,空間多重化を用いた複数のデバイスを同時に運用する1つの基地局のネットワークについて考察する。
そこで本稿では,チャネル情報と計算状態情報の両面での不確実性の中で,通信と計算機のパワーを同時に管理する,革新的なディープラーニングベースのアプローチを提案する。
論文 参考訳（メタデータ） (2024-06-05T18:00:09Z) - Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。
提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文 参考訳（メタデータ） (2024-05-07T17:44:54Z) - Energy-Efficient On-Board Radio Resource Management for Satellite
Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。
関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文 参考訳（メタデータ） (2023-08-22T03:13:57Z) - On Differential Privacy for Federated Learning in Wireless Systems with
Multiple Base Stations [90.53293906751747]
複数の基地局とセル間干渉を持つ無線システムにおける連合学習モデルを考える。
本稿では,学習過程の収束挙動を,その最適性ギャップの上限を導出することによって示す。
提案するスケジューラは,ランダムなスケジューラと比較して予測平均精度を向上する。
論文 参考訳（メタデータ） (2022-08-25T03:37:11Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Coverage and Capacity Optimization in STAR-RISs Assisted Networks: A
Machine Learning Approach [102.00221938474344]
再構成可能なインテリジェントサーフェス (STAR-RIS) アシストネットワークを同時に送信および反射するカバレッジとキャパシティ最適化のための新しいモデルを提案する。
損失関数ベースの更新戦略はコアポイントであり、各更新時にmin-normソルバによってカバレッジとキャパシティの両方の損失関数の重みを計算することができる。
解析結果から,提案手法は固定重みに基づくMOアルゴリズム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） (2022-04-13T13:52:22Z) - Cellular traffic offloading via Opportunistic Networking with
Reinforcement Learning [0.5758073912084364]
本稿では,Reinforcement Learningフレームワークに基づく適応型オフロードソリューションを提案する。
Actor-Critic と Q-Learning の2つのよく知られた学習アルゴリズムの性能を評価し比較する。
我々のソリューションは、他の最先端のアプローチよりも高いレベルのオフロードを実現する。
論文 参考訳（メタデータ） (2021-10-01T13:34:12Z) - 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) - Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line
and Off-policy Bandit Solutions [30.606518785629046]
高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。
本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。
提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
論文 参考訳（メタデータ） (2020-08-14T11:48:13Z) - A Machine Learning Approach for Task and Resource Allocation in Mobile
Edge Computing Based Networks [108.57859531628264]
無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。
提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
論文 参考訳（メタデータ） (2020-07-20T13:46:42Z)
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。