Fugu-MT 論文翻訳(概要): Optimizing Vehicular Networks with Variational Quantum Circuits-based Reinforcement Learning

論文の概要: Optimizing Vehicular Networks with Variational Quantum Circuits-based Reinforcement Learning

arxiv url: http://arxiv.org/abs/2405.18984v1
Date: Wed, 29 May 2024 10:57:25 GMT
ステータス: 処理完了
システム内更新日: 2024-05-30 17:30:13.950537
Title: Optimizing Vehicular Networks with Variational Quantum Circuits-based Reinforcement Learning
Title（参考訳）: 変分量子回路を用いた強化学習によるベクトルネットワークの最適化
Authors: Zijiang Yan, Ramsundar Tanikella, Hina Tabassum,
Abstract要約: 可変量子回路(VQC)を用いた多目的強化学習(MORL)フレームワークを開発し、車載ネットワーク(VNet)における効率的なネットワーク選択と自律運転ポリシーを特徴付ける。従来のディープQネットワーク(DQN)と比較して,コンバージェンス率と報酬の両面で顕著な改善が見られた。
参考スコア（独自算出の注目度）: 10.964841612918539
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In vehicular networks (VNets), ensuring both road safety and dependable network connectivity is of utmost importance. Achieving this necessitates the creation of resilient and efficient decision-making policies that prioritize multiple objectives. In this paper, we develop a Variational Quantum Circuit (VQC)-based multi-objective reinforcement learning (MORL) framework to characterize efficient network selection and autonomous driving policies in a vehicular network (VNet). Numerical results showcase notable enhancements in both convergence rates and rewards when compared to conventional deep-Q networks (DQNs), validating the efficacy of the VQC-MORL solution.
Abstract（参考訳）: 車両ネットワーク(VNet)では、道路安全と信頼性の高いネットワーク接続が最重要となる。これを達成するには、複数の目標を優先するレジリエントで効率的な意思決定ポリシの作成が必要です。本稿では、車載ネットワーク(VNet)における効率的なネットワーク選択と自律運転ポリシーを特徴付ける、変分量子回路(VQC)に基づく多目的強化学習(MORL)フレームワークを開発する。 VQC-MORL法の有効性を検証するため,従来のディープQネットワーク(DQN)と比較して,コンバージェンス率と報酬の双方が顕著に向上した。

関連論文リスト

Adaptive Genetic Selection based Pinning Control with Asymmetric Coupling for Multi-Network Heterogeneous Vehicular Systems [8.454856509502733]
本稿では,異種マルチネットワーク車載アドホックネットワーク(VANET)のためのピンニング制御手法を提案する。まず、単一および複数ネットワーク条件下でのピンニング制御戦略の安定性を証明し、厳密な理論基盤を確立する。本理論に基づいて,最適ピンニングノードの選択に適した適応型遺伝的アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-11-05T11:49:26Z)
Spectrum Sharing using Deep Reinforcement Learning in Vehicular Networks [0.14999444543328289]
本稿では、DQNモデルの有効性を実証し、スペクトル共有効率を向上させるためのいくつかの結果と分析を行った。 SARLモデルとMARLモデルの両方がV2V通信の成功率を示し、トレーニングが進むにつれてRLモデルの累積報酬が最大に達する。
論文参考訳（メタデータ） (2024-10-16T12:59:59Z)
DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-11T06:31:03Z)
Generalized Multi-Objective Reinforcement Learning with Envelope Updates in URLLC-enabled Vehicular Networks [12.323383132739195]
我々は,無線ネットワークの選択と自律運転ポリシーを協調的に最適化する,新しい多目的強化学習フレームワークを開発した。提案フレームワークは,車両の運動力学を制御することにより,交通流の最大化と衝突の最小化を目的としている。提案されたポリシーにより、自動運転車は、接続性を改善した安全な運転行動を採用することができる。
論文参考訳（メタデータ） (2024-05-18T16:31:32Z)
Reinforcement Learning for Joint V2I Network Selection and Autonomous Driving Policies [14.518558523319518]
自動運転車(AV)の信頼性向上に向けたV2I通信の重要性が高まっている道路衝突を最小限に抑えるため,AVのネットワーク選択と運転ポリシーを同時に最適化することが重要である。我々は,効率的なネットワーク選択と自律運転ポリシーを特徴付ける強化学習フレームワークを開発した。
論文参考訳（メタデータ） (2022-08-03T04:33:02Z)
AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文参考訳（メタデータ） (2022-03-05T10:54:05Z)
Fidelity-Guarantee Entanglement Routing in Quantum Networks [64.49733801962198]
絡み合いルーティングは、2つの任意のノード間のリモート絡み合い接続を確立する。量子ネットワークにおける複数のソース・デスティネーション(SD)ペアの忠実性を保証するために、精製可能な絡み合わせルーティング設計を提案する。
論文参考訳（メタデータ） (2021-11-15T14:07:22Z)
Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
論文参考訳（メタデータ） (2021-11-11T11:31:20Z)
Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文参考訳（メタデータ） (2021-06-15T09:03:28Z)
Entanglement Rate Optimization in Heterogeneous Quantum Communication Networks [79.8886946157912]
量子通信ネットワークは、将来6G以降の通信ネットワークにおいて重要な構成要素となる可能性のある、有望な技術として登場しつつある。近年の進歩は、実際の量子ハードウェアによる小規模および大規模量子通信ネットワークの展開に繋がった。量子ネットワークにおいて、絡み合いは異なるノード間でのデータ転送を可能にする鍵となるリソースである。
論文参考訳（メタデータ） (2021-05-30T11:34:23Z)
ANT: Learning Accurate Network Throughput for Better Adaptive Video Streaming [20.544139447901113]
アダプティブビットレート(ABR)決定は、ビデオストリーミングアプリケーションで満足のいくQoE(Quality of Experience)を確保するために重要な役割を果たします。本稿では、ネットワークスループットダイナミクスの全スペクトルを特徴付けるためにANT(a.k.a., Accurate Network Throughput)モデルを学ぶことを提案する。その結果,現在のPensiveやOboeと比較して,ユーザQoEを65.5%,31.3%向上させることができることがわかった。
論文参考訳（メタデータ） (2021-04-26T12:15:53Z)

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。