論文の概要: Federated Learning-based Collaborative Wideband Spectrum Sensing and Scheduling for UAVs in UTM Systems

• arxiv url: http://arxiv.org/abs/2406.01727v1
• Date: Mon, 3 Jun 2024 18:39:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 21:11:55.565136
• Title: Federated Learning-based Collaborative Wideband Spectrum Sensing and Scheduling for UAVs in UTM Systems
• Title（参考訳）: UTMシステムにおけるUAVの協調型広帯域スペクトルセンシングとスケジューリング
• Authors: Sravan Reddy Chintareddy, Keenan Roach, Kenny Cheung, Morteza Hashemi,
• Abstract要約: 無人航空機における広帯域スペクトルの協調検出とスケジューリングのためのデータ駆動型フレームワークを提案する。 モデルトレーニングの段階では,マルチセル環境におけるデータセット生成について検討する。 第2に、協調スペクトル融合段階において、協調スペクトル融合戦略を提案する。 最後に、スペクトルスケジューリング段階において、検出されたスペクトル孔を二次ユーザへ動的に割り当てるために強化学習ソリューションを利用する。
• 参考スコア（独自算出の注目度）: 1.9064735174703886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a data-driven framework for collaborative wideband spectrum sensing and scheduling for networked unmanned aerial vehicles (UAVs), which act as the secondary users (SUs) to opportunistically utilize detected "spectrum holes". Our overall framework consists of three main stages. Firstly, in the model training stage, we explore dataset generation in a multi-cell environment and training a machine learning (ML) model using the federated learning (FL) architecture. Unlike the existing studies on FL for wireless that presume datasets are readily available for training, we propose a novel architecture that directly integrates wireless dataset generation, which involves capturing I/Q samples from over-the-air signals in a multi-cell environment, into the FL training process. Secondly, in the collaborative spectrum inference stage, we propose a collaborative spectrum fusion strategy that is compatible with the unmanned aircraft system traffic management (UTM) ecosystem. Finally, in the spectrum scheduling stage, we leverage reinforcement learning (RL) solutions to dynamically allocate the detected spectrum holes to the secondary users. To evaluate the proposed methods, we establish a comprehensive simulation framework that generates a near-realistic synthetic dataset using MATLAB LTE toolbox by incorporating base-station~(BS) locations in a chosen area of interest, performing ray-tracing, and emulating the primary users channel usage in terms of I/Q samples. This evaluation methodology provides a flexible framework to generate large spectrum datasets that could be used for developing ML/AI-based spectrum management solutions for aerial devices.
• Abstract（参考訳）: 本稿では,ネットワーク化無人航空機(UAV)の協調広帯域スペクトル検出とスケジューリングのためのデータ駆動型フレームワークを提案する。 フレームワーク全体は3つの主要なステージで構成されています。 まず、モデルトレーニング段階では、マルチセル環境におけるデータセット生成と、フェデレートラーニング(FL)アーキテクチャを用いた機械学習(ML)モデルのトレーニングを行う。 本研究は,無線用FLに関する既存の研究と異なり,無線データセット生成を直接統合した新しいアーキテクチャを提案し,マルチセル環境における大気上信号からのI/QサンプルをFLトレーニングプロセスに統合する。 第2に、協調スペクトル推定段階において、無人航空機システム交通管理(UTM)エコシステムと互換性のある協調スペクトル融合戦略を提案する。 最後に、スペクトルスケジューリング段階において、検出されたスペクトル孔を二次ユーザに動的に割り当てるために強化学習(RL)ソリューションを利用する。 提案手法を評価するため,MATLAB LTEツールボックスを用いたほぼ現実的な合成データセットを生成するための総合シミュレーションフレームワークを構築した。 この評価手法は、航空機用ML/AIベースのスペクトル管理ソリューションの開発に使用できる大規模なスペクトルデータセットを生成するフレキシブルなフレームワークを提供する。

関連論文リスト

• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• Collaborative Wideband Spectrum Sensing and Scheduling for Networked UAVs in UTM Systems [2.755290959487378]
  ネットワーク型無人航空機(UAV)の協調広帯域スペクトルセンシングとスケジューリングのためのデータ駆動型フレームワークを提案する。 スペクトルスケジューリングフェーズにおいて、検出されたスペクトル穴を二次ユーザ(UAV)に動的に割り当てるために強化学習(RL)ソリューションを利用する。 この評価手法は、航空機用ML/AIベースのスペクトル管理ソリューションの開発に使用できる大規模なスペクトルデータセットを生成するフレキシブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-08-09T16:08:44Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Model-aided Federated Reinforcement Learning for Multi-UAV Trajectory Planning in IoT Networks [17.770665737751372]
  本稿では,データ収集ミッションにおいて,環境に関する限られた知識しか持たない複数のUAVを協調するモデル支援フェデレーションMARLアルゴリズムを提案する。 標準的なMARLアルゴリズムとの比較により,提案したモデル支援型FedQMIXアルゴリズムは実世界のトレーニング経験を約3倍削減することを示した。
  論文  参考訳（メタデータ） (2023-06-03T07:16:17Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Federated Learning for Hybrid Beamforming in mm-Wave Massive MIMO [12.487990897680422]
  本稿では,ハイブリッドビームフォーミングのためのFL(Federated Learning)ベースのフレームワークを紹介し,ベースステーションでモデルトレーニングを行う。 我々は、入力がチャネルデータである畳み込みニューラルネットワークを設計し、出力時にアナログビームフォーマを出力する。 FLは、チャネルデータの不完全性や破損に対してより寛容であり、CMLよりも透過オーバーヘッドが少ないことが示されている。
  論文  参考訳（メタデータ） (2020-05-20T11:21:07Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。