論文の概要: Distributed Noncoherent Joint Transmission Based on Multi-Agent Reinforcement Learning for Dense Small Cell MISO Systems
- arxiv url: http://arxiv.org/abs/2408.12067v1
- Date: Thu, 22 Aug 2024 02:11:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 15:33:26.020376
- Title: Distributed Noncoherent Joint Transmission Based on Multi-Agent Reinforcement Learning for Dense Small Cell MISO Systems
- Title（参考訳）: マルチエージェント強化学習に基づく高密度小形MISOシステムの分散非コヒーレント継手伝送
- Authors: Shaozhuang Bai, Zhenzhen Gao, Xuewen Liao,
- Abstract要約: マルチアンテナ小セル基地局(SBS)が共有帯域上でデータを送信する高密度小セルネットワークを考察する。
- 参考スコア（独自算出の注目度）: 8.146481327854545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider a dense small cell (DSC) network where multi-antenna small cell base stations (SBSs) transmit data to single-antenna users over a shared frequency band. To enhance capacity, a state-of-the-art technique known as noncoherent joint transmission (JT) is applied, enabling users to receive data from multiple coordinated SBSs. However, the sum rate maximization problem with noncoherent JT is inherently nonconvex and NP-hard. While existing optimization-based noncoherent JT algorithms can provide near-optimal performance, they require global channel state information (CSI) and multiple iterations, which makes them difficult to be implemeted in DSC networks.To overcome these challenges, we first prove that the optimal beamforming structure is the same for both the power minimization problem and the sum rate maximization problem, and then mathematically derive the optimal beamforming structure for both problems by solving the power minimization problem.The optimal beamforming structure can effectively reduces the variable dimensions.By exploiting the optimal beamforming structure, we propose a deep deterministic policy gradient-based distributed noncoherent JT scheme to maximize the system sum rate.In the proposed scheme, each SBS utilizes global information for training and uses local CSI to determine beamforming vectors. Simulation results demonstrate that the proposed scheme achieves comparable performance with considerably lower computational complexity and information overhead compared to centralized iterative optimization-based techniques, making it more attractive for practical deployment.
- Abstract（参考訳）: 本研究では,マルチアンテナ小セル基地局(SBS)が共有周波数帯域上で単一アンテナユーザへデータを送信する高密度小型セルネットワークについて考察する。
キャパシティを高めるため、非コヒーレントジョイントトランスミッション(JT)と呼ばれる最先端技術を適用し、複数のSBSからデータを受信することができる。
しかし、非コヒーレント JT の和率最大化問題は本質的に非凸かつNPハードである。
既存の最適化ベースの非コヒーレントJTアルゴリズムは、ほぼ最適性能を提供することができるが、大域的なチャネル状態情報(CSI)と多重反復を必要とするため、DSCネットワークに実装が難しい。これらの課題を克服するためには、まず、最適ビームフォーミング構造が電力最小化問題と和率最大化問題の両方で同じであることを証明し、次いで、最適ビームフォーミング構造は、電力最小化問題を解くことにより、両方の問題に対して最適ビームフォーミング構造を数学的に導出する。
シミュレーションの結果,提案手法は,集中型反復最適化手法に比べて計算複雑性と情報オーバーヘッドが著しく低く,実用的展開がより魅力的であることを示す。
関連論文リスト
- Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳（メタデータ） (2023-10-10T00:21:10Z) - 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) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - Communication-Efficient Federated Hypergradient Computation via
Aggregated Iterative Differentiation [14.494626833445915]
AggITDは実装が簡単で、通信コストを大幅に削減する。
提案アルゴリズムは,既存の近似暗黙差分法(AID)に基づく手法と同一のサンプル複雑性を実現する。
論文 参考訳（メタデータ） (2023-02-09T23:07:34Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳（メタデータ） (2022-11-01T14:16:05Z) - DESTRESS: Computation-Optimal and Communication-Efficient Decentralized
Nonconvex Finite-Sum Optimization [43.31016937305845]
インターネット・オブ・シング、ネットワークセンシング、自律システム、有限サム最適化のための分散アルゴリズムのためのフェデレーション学習。
非有限サム最適化のためのDecentralized STochastic Recursive MethodDESTRESSを開発した。
詳細な理論的および数値的な比較は、DESTRESSが事前の分散アルゴリズムにより改善されていることを示している。
論文 参考訳（メタデータ） (2021-10-04T03:17:41Z) - Novel General Active Reliability Redundancy Allocation Problems and
Algorithm [1.5990720051907859]
信頼性冗長性割り当て問題(RRAP)は、システムの信頼性を最大化するために用いられる。
汎用RRAP(GRRAP)と呼ばれる新しいRRAPが提案され、シリーズ並列構造やブリッジネットワークをより一般的なネットワーク構造に拡張する。
提案された新しいGRRAPを解決するため、BAT-SSOA3と呼ばれる新しいアルゴリズムは、SSO(Swarm Optimization)を単純化してソリューションを更新した。
論文 参考訳（メタデータ） (2021-08-18T11:54:42Z) - Learning Robust Beamforming for MISO Downlink Systems [14.429561340880074]
基地局は、不完全なチャネル状態情報(CSI)とその特徴だけで効率的なマルチアンテナ伝送戦略を特定する。
深層ニューラルネットワーク(DNN)を実世界の伝播環境に合わせて最適化した堅牢なトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-02T09:56:35Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z)
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。