論文の概要: Learning to Slice Wi-Fi Networks: A State-Augmented Primal-Dual Approach
- arxiv url: http://arxiv.org/abs/2405.05748v1
- Date: Thu, 9 May 2024 13:13:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-10 13:23:01.114046
- Title: Learning to Slice Wi-Fi Networks: A State-Augmented Primal-Dual Approach
- Title（参考訳）: Wi-Fiネットワークをスライスする学習: 状態拡張されたプリマル・デュアルアプローチ
- Authors: Yiğit Berkay Uslu, Roya Doostnejad, Alejandro Ribeiro, Navid NaderiAlizadeh,
- Abstract要約: ネットワークスライシングは、5G/NGセルラーネットワークにおいて重要な機能であり、様々なQoS(Quality-of-Service)要件の異なるサービスタイプ用にカスタマイズされたスライスを作成する。
Wi-Fiネットワークでは、スライシングに関する事前作業が限られており、潜在的なソリューションは、異なるスライスに異なるチャネルを割り当てる単一のアクセスポイント(AP)上のマルチテナントアーキテクチャに基づいている。
エルゴディック要件を満たすスライシング決定を生成するためには,国家の強化が不可欠であることを示す。
- 参考スコア（独自算出の注目度）: 79.00655335405195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network slicing is a key feature in 5G/NG cellular networks that creates customized slices for different service types with various quality-of-service (QoS) requirements, which can achieve service differentiation and guarantee service-level agreement (SLA) for each service type. In Wi-Fi networks, there is limited prior work on slicing, and a potential solution is based on a multi-tenant architecture on a single access point (AP) that dedicates different channels to different slices. In this paper, we define a flexible, constrained learning framework to enable slicing in Wi-Fi networks subject to QoS requirements. We specifically propose an unsupervised learning-based network slicing method that leverages a state-augmented primal-dual algorithm, where a neural network policy is trained offline to optimize a Lagrangian function and the dual variable dynamics are updated online in the execution phase. We show that state augmentation is crucial for generating slicing decisions that meet the ergodic QoS requirements.
- Abstract（参考訳）: ネットワークスライシングは、5G/NGセルラーネットワークにおいて重要な機能であり、さまざまなQoS(Quality-of-Service)要件を備えた異なるサービスタイプ用にカスタマイズされたスライスを作成する。
Wi-Fiネットワークでは、スライシングに関する事前作業が限られており、潜在的なソリューションは、異なるスライスに異なるチャネルを割り当てる単一のアクセスポイント(AP)上のマルチテナントアーキテクチャに基づいている。
本稿では,QoS要求に応じたWi-Fiネットワークのスライシングを実現するための,柔軟な制約付き学習フレームワークを定義する。
具体的には、ニューラルネットワークポリシをオフラインでトレーニングし、ラグランジアン関数を最適化し、実行フェーズで2変数動的をオンライン更新する、ステート拡張プリマルデュアルアルゴリズムを活用する教師なし学習ベースのネットワークスライシング手法を提案する。
エルゴディックなQoS要件を満たすスライシング決定を生成するためには,国家の強化が不可欠であることを示す。
関連論文リスト
- Fast and Scalable Network Slicing by Integrating Deep Learning with
Lagrangian Methods [8.72339110741777]
ネットワークスライシングは、多種多様なサービスを効率的にサポートするために、5G以上の重要なテクニックである。
ディープラーニングモデルは、動的スライシング構成に対する限定的な一般化と適応性に悩まされる。
本稿では,制約付き最適化手法とディープラーニングモデルを統合する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-22T07:19:16Z) - 5G Network Slicing: Analysis of Multiple Machine Learning Classifiers [0.0]
本稿では,ロジスティック回帰モデル,線形判別モデル,k-ネアレスト近傍モデル,決定木モデル,ランダム森林モデル,SVC BernoulliNBモデル,ガウスアンNBモデルなど,さまざまな機械学習手法を評価し,ネットワークスライス検出における各モデルの精度と精度について検討する。
レポートでは5Gネットワークスライシングの概要も紹介されている。
論文 参考訳（メタデータ） (2023-10-03T02:16:50Z) - Local Kernel Renormalization as a mechanism for feature learning in
overparametrized Convolutional Neural Networks [0.0]
実験的な証拠は、無限幅限界における完全連結ニューラルネットワークが最終的に有限幅限界よりも優れていることを示している。
畳み込み層を持つ最先端アーキテクチャは、有限幅構造において最適な性能を達成する。
有限幅FCネットワークの一般化性能は,ガウス事前選択に適した無限幅ネットワークで得られることを示す。
論文 参考訳（メタデータ） (2023-07-21T17:22:04Z) - Side Adapter Network for Open-Vocabulary Semantic Segmentation [69.18441687386733]
本稿では,Side Adapter Network (SAN) という,事前学習された視覚言語モデルを用いたオープン語彙セマンティックセマンティックセマンティックセマンティクスのための新しいフレームワークを提案する。
サイドネットワークは凍結したCLIPモデルにアタッチされ、ひとつはマスクの提案を予測し、もうひとつは注意バイアスを予測する。
トレーニング可能なパラメータは最大で18倍,推論速度は19倍に向上した。
論文 参考訳（メタデータ） (2023-02-23T18:58:28Z) - Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in
O-RAN [11.464582983164991]
新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。
O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。
本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-30T17:00:53Z) - Highly Accurate and Reliable Wireless Network Slicing in 5th Generation
Networks: A Hybrid Deep Learning Approach [21.137037568638974]
畳み込みニューラルネットワーク(CNN)と長期記憶(LSTM)を組み合わせたハイブリッドディープラーニングモデルを提案する。
全体の95.17%の精度は、その適用性を反映した提案されたモデルによって達成される。
論文 参考訳（メタデータ） (2021-10-07T10:05:25Z) - Optimized Quantum Networks [68.8204255655161]
量子ネットワークは、ネットワーク要求の前に様々な種類の絡み合いを生成することができる。
これを応用して、所望の機能に合わせた絡み合いベースの量子ネットワークを設計する。
論文 参考訳（メタデータ） (2021-07-21T18:00:07Z) - Bit-Mixer: Mixed-precision networks with runtime bit-width selection [72.32693989093558]
Bit-Mixerは、テスト時間中に任意のレイヤが入札幅を変更し、ネットワーク全体の精度の高い推論能力に影響を与えることなく、メタ量子ネットワークをトレーニングする最初の方法である。
本手法は, デバイス上での展開に望ましい柔軟性を示す複合精密ネットワークを, 精度を犠牲にすることなく実現できることを示した。
論文 参考訳（メタデータ） (2021-03-31T17:58:47Z) - All at Once Network Quantization via Collaborative Knowledge Transfer [56.95849086170461]
オールオンス量子化ネットワークを効率的にトレーニングするための新しい共同知識伝達アプローチを開発しています。
具体的には、低精度の学生に知識を伝達するための高精度のエンクォータを選択するための適応的選択戦略を提案する。
知識を効果的に伝達するために,低精度の学生ネットワークのブロックを高精度の教師ネットワークのブロックにランダムに置き換える動的ブロックスワッピング法を開発した。
論文 参考訳（メタデータ） (2021-03-02T03:09:03Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
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。