論文の概要: Deep Learning Based Joint Multi-User MISO Power Allocation and Beamforming Design

• arxiv url: http://arxiv.org/abs/2406.08373v1
• Date: Wed, 12 Jun 2024 16:21:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 16:06:55.910615
• Title: Deep Learning Based Joint Multi-User MISO Power Allocation and Beamforming Design
• Title（参考訳）: 深層学習に基づくマルチユーザMISOパワーアロケーションとビームフォーミング設計
• Authors: Cemil Vahapoglu, Timothy J. O'Shea, Tamoghna Roy, Sennur Ulukus,
• Abstract要約: マルチユーザ・マルチインプット・シングルアウトプット(MU-MISO)システムのための非教師なし深層学習に基づくジョイントパワーアロケーションとビームフォーミング設計を提案する。 NNBF-Pとゼロ強制ビームフォーミング(ZFBF)、最小平均二乗誤差(MMSE)ビームフォーミング、NNBFの性能を比較するための多様な設定実験を行った。
• 参考スコア（独自算出の注目度）: 29.295165146832097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The evolution of fifth generation (5G) wireless communication networks has led to an increased need for wireless resource management solutions that provide higher data rates, wide coverage, low latency, and power efficiency. Yet, many of existing traditional approaches remain non-practical due to computational limitations, and unrealistic presumptions of static network conditions and algorithm initialization dependencies. This creates an important gap between theoretical analysis and real-time processing of algorithms. To bridge this gap, deep learning based techniques offer promising solutions with their representational capabilities for universal function approximation. We propose a novel unsupervised deep learning based joint power allocation and beamforming design for multi-user multiple-input single-output (MU-MISO) system. The objective is to enhance the spectral efficiency by maximizing the sum-rate with the proposed joint design framework, NNBF-P while also offering computationally efficient solution in contrast to conventional approaches. We conduct experiments for diverse settings to compare the performance of NNBF-P with zero-forcing beamforming (ZFBF), minimum mean square error (MMSE) beamforming, and NNBF, which is also our deep learning based beamforming design without joint power allocation scheme. Experiment results demonstrate the superiority of NNBF-P compared to ZFBF, and MMSE while NNBF can have lower performances than MMSE and ZFBF in some experiment settings. It can also demonstrate the effectiveness of joint design framework with respect to NNBF.
• Abstract（参考訳）: 第5世代(5G)無線通信ネットワークの進化により、より高いデータレート、広範なカバレッジ、低レイテンシ、電力効率を提供する無線リソース管理ソリューションの必要性が高まっている。 しかし、従来のアプローチの多くは、計算上の制限と静的ネットワーク条件とアルゴリズムの初期化依存性の非現実的な推定のため、実用的ではないままである。 これにより、理論解析とアルゴリズムのリアルタイム処理の間に重要なギャップが生じる。 このギャップを埋めるために、ディープラーニングベースの技術は、普遍関数近似の表現能力を備えた有望なソリューションを提供する。 マルチユーザ・マルチインプット・シングルアウトプット(MU-MISO)システムのための非教師なし深層学習に基づくジョイントパワーアロケーションとビームフォーミング設計を提案する。 本研究の目的は,提案する共同設計フレームワークNNBF-Pの総和率を最大化するとともに,従来の手法と対照的に計算効率のよいソリューションを提供することである。 NNBF-Pとゼロ強制ビームフォーミング(ZFBF)、最小平均二乗誤差(MMSE)ビームフォーミング、NNBFの性能を比較するための多様な設定実験を行った。 実験結果から, NNBF は ZFBF よりも NNBF-P の方が優れており, NNBF は MMSE や ZFBF よりも性能が低いことを示す。 また、NNBFに関する共同設計フレームワークの有効性を示すこともできる。

関連論文リスト

• Deep Learning Based Uplink Multi-User SIMO Beamforming Design [32.00286337259923]
  5G無線通信ネットワークは、高いデータレート、広範なカバレッジ、最小レイテンシ、エネルギー効率のパフォーマンスを提供する。 計算複雑性や動的条件に適応する能力に関して、従来のアプローチには欠点がある。 本稿では,アップリンク受信型マルチユーザ入力多重出力(MU-SIMO)ビームフォーミングの設計のための,NNBFと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-28T17:04:41Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
  本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。 提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。 FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T08:52:51Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Complementing Brightness Constancy with Deep Networks for Optical Flow Prediction [30.10864927536864]
  COMBOは、従来の方法で使用される輝度不安定性(BC)モデルを利用するディープネットワークである。 我々は,最適協調を保証するために,分解の異なる構成要素を学習するための共同学習手法を導出する。 実験により、COMBOは最先端の教師付きネットワーク上での性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-07-08T09:42:40Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
  離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。 本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
  論文  参考訳（メタデータ） (2021-01-05T03:55:04Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)

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。