論文の概要: Neural Network-Based Bandit: A Medium Access Control for the IIoT Alarm Scenario
- arxiv url: http://arxiv.org/abs/2407.16877v1
- Date: Tue, 23 Jul 2024 22:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-25 15:12:43.229149
- Title: Neural Network-Based Bandit: A Medium Access Control for the IIoT Alarm Scenario
- Title（参考訳）: ニューラルネットワークに基づくBandit: IIoT Alarmシナリオの媒体アクセス制御
- Authors: Prasoon Raghuwanshi, Onel Luis Alcaraz López, Neelesh B. Mehta, Hirley Alves, Matti Latva-aho,
- Abstract要約: IIoTアラームのシナリオに対して,NNBB(Neural Network-Based Bandit)と題する分散ランダムアクセス方式を提案する。
このようなシナリオでは、デバイスは共通のクリティカルイベントを検出し、アラーム情報が少なくとも1つのデバイスから確実に配信されることが目標である。
シミュレーションの結果,ネットワーク内のデバイス数の増加に伴い,マルチアーマッドバンド (MAB) RA ベンチマークと比較してNNBBの性能向上が見られた。
- 参考スコア（独自算出の注目度）: 28.65053609286692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient Random Access (RA) is critical for enabling reliable communication in Industrial Internet of Things (IIoT) networks. Herein, we propose a deep reinforcement learning based distributed RA scheme, entitled Neural Network-Based Bandit (NNBB), for the IIoT alarm scenario. In such a scenario, the devices may detect a common critical event, and the goal is to ensure the alarm information is delivered successfully from at least one device. The proposed NNBB scheme is implemented at each device, where it trains itself online and establishes implicit inter-device coordination to achieve the common goal. Devices can transmit simultaneously on multiple orthogonal channels and each possible transmission pattern constitutes a possible action for the NNBB, which uses a deep neural network to determine the action. Our simulation results show that as the number of devices in the network increases, so does the performance gain of the NNBB compared to the Multi-Armed Bandit (MAB) RA benchmark. For instance, NNBB experiences a 7% success rate drop when there are four channels and the number of devices increases from 10 to 60, while MAB faces a 25% drop.
- Abstract（参考訳）: 効率的なランダムアクセス(RA)は、産業用モノのインターネット(IIoT)ネットワークにおける信頼性の高い通信を可能にするために重要である。
本稿では、IIoTアラームシナリオに対して、NNBB(Neural Network-Based Bandit)と題する、深層強化学習に基づく分散RAスキームを提案する。
このようなシナリオでは、デバイスは共通のクリティカルイベントを検出し、アラーム情報が少なくとも1つのデバイスから確実に配信されることが目標である。
提案したNNBBスキームは各デバイスに実装され、オンラインでトレーニングし、共通目標を達成するために暗黙のデバイス間調整を確立する。
デバイスは複数の直交チャネル上で同時に送信することができ、それぞれの送信パターンはNNBBに対して可能なアクションを構成する。
シミュレーションの結果,ネットワーク内のデバイス数の増加に伴い,マルチアーマッドバンド (MAB) RA ベンチマークと比較してNNBBの性能向上が見られた。
例えば、NNBBは4つのチャンネルがあり、デバイス数は10から60に増加し、MABは25%減少している。
関連論文リスト
- Exploring Neural Network Pruning with Screening Methods [3.443622476405787]
現代のディープラーニングモデルは数千万のパラメータを持ち、推論プロセスはリソース集約化されている。
本稿では,非必須パラメータを除去するネットワーク・プルーニング・フレームワークの提案と評価を行う。
提案するフレームワークは,従来のネットワークと比較して,競争力のあるリーンネットワークを生成する。
論文 参考訳（メタデータ） (2025-02-11T02:31:04Z) - Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。
スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。
分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。
本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Switching in the Rain: Predictive Wireless x-haul Network
Reconfiguration [17.891837432766764]
無線x-haulネットワークは、超高速データレートと超低レイテンシをサポートするために、4Gおよび/または5Gベースステーション間のマイクロ波およびミリ波リンクに依存している。
降水は信号の減衰を引き起こし、ネットワーク性能を著しく低下させる。
本研究では,履歴データを用いた予測ネットワーク再構成フレームワークを開発し,各リンクの将来の状態を予測し,瞬時障害に備えてネットワークを前もって準備する。
論文 参考訳（メタデータ） (2022-03-07T13:40:38Z) - Learning-Based UAV Trajectory Optimization with Collision Avoidance and
Connectivity Constraints [0.0]
無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。
本稿では,衝突回避と無線接続制約による複数UAV軌道最適化問題を再構成する。
この問題を解決するために,分散型深層強化学習手法を提案する。
論文 参考訳（メタデータ） (2021-04-03T22:22:20Z) - Deep Reinforcement Learning for Dynamic Spectrum Sharing of LTE and NR [10.210703513367864]
4Gと5Gシステム間の積極的な動的スペクトル共有スキームを提案する。
モンテカルロ木探索に基づく深層強化学習アルゴリズムを提案する。
提案手法は,各サブフレームにおいて欲張りではなく,将来の状態を考慮しながら行動を起こすことができることを示す。
論文 参考訳（メタデータ） (2021-02-22T16:56:51Z) - Adversarial Attacks on Deep Learning Based Power Allocation in a Massive
MIMO Network [62.77129284830945]
本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。
我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
論文 参考訳（メタデータ） (2021-01-28T16:18:19Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳（メタデータ） (2020-10-22T12:32:29Z) - Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。
株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。
はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文 参考訳（メタデータ） (2020-05-04T17:41:59Z) - 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。