論文の概要: Pilot Contamination Aware Transformer for Downlink Power Control in Cell-Free Massive MIMO Networks

• arxiv url: http://arxiv.org/abs/2411.19020v1
• Date: Thu, 28 Nov 2024 09:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:18:26.326124
• Title: Pilot Contamination Aware Transformer for Downlink Power Control in Cell-Free Massive MIMO Networks
• Title（参考訳）: セルレス大量MIMOネットワークにおけるダウンリンク電力制御のためのパイロット汚染認識変換器
• Authors: Atchutaram K. Kocharlakota, Sergiy A. Vorobyov, Robert W. Heath Jr,
• Abstract要約: 本稿では,パイロット汚染対応電源制御(PAPC)トランスニューラルネットワークを提案する。 PAPCはパイロットアロケーションデータをネットワークに統合し、パイロット汚染シナリオを効果的に処理する。 PAPCは教師なし学習フレームワークで訓練され、加速近位勾配(APG)アルゴリズムに対して評価される。
• 参考スコア（独自算出の注目度）: 45.487183737784086
• License:
• Abstract: Learning-based downlink power control in cell-free massive multiple-input multiple-output (CFmMIMO) systems offers a promising alternative to conventional iterative optimization algorithms, which are computationally intensive due to online iterative steps. Existing learning-based methods, however, often fail to exploit the intrinsic structure of channel data and neglect pilot allocation information, leading to suboptimal performance, especially in large-scale networks with many users. This paper introduces the pilot contamination-aware power control (PAPC) transformer neural network, a novel approach that integrates pilot allocation data into the network, effectively handling pilot contamination scenarios. PAPC employs the attention mechanism with a custom masking technique to utilize structural information and pilot data. The architecture includes tailored preprocessing and post-processing stages for efficient feature extraction and adherence to power constraints. Trained in an unsupervised learning framework, PAPC is evaluated against the accelerated proximal gradient (APG) algorithm, showing comparable spectral efficiency fairness performance while significantly improving computational efficiency. Simulations demonstrate PAPC's superior performance over fully connected networks (FCNs) that lack pilot information, its scalability to large-scale CFmMIMO networks, and its computational efficiency improvement over APG. Additionally, by employing padding techniques, PAPC adapts to the dynamically varying number of users without retraining.
• Abstract（参考訳）: セルレス大規模マルチインプットマルチアウトプット(CFmMIMO)システムにおける学習に基づくダウンリンク電力制御は、従来の反復最適化アルゴリズムに代わる有望な代替手段を提供する。 しかし、既存の学習ベースの手法は、チャネルデータの本質的な構造を活用できず、パイロットアロケーション情報を無視することが多く、特に多くのユーザを持つ大規模ネットワークにおいて、最適以下の性能をもたらす。 本稿では、パイロットアロケーションデータをネットワークに統合し、パイロット汚染シナリオを効果的に処理する新しいアプローチである、パイロット汚染対応電源制御(PAPC)トランスフォーマニューラルネットワークを提案する。 PAPCは、構造情報とパイロットデータを利用するために、カスタムマスキング技術を用いたアテンションメカニズムを採用している。 このアーキテクチャは、効率的な特徴抽出と電力制約への固執のための調整前処理と後処理の段階を含む。 PAPCは、教師なし学習フレームワークで訓練され、加速された近位勾配(APG)アルゴリズムに対して評価される。 シミュレーションでは、パイロット情報、大規模CFmMIMOネットワークへのスケーラビリティ、APGよりも計算効率が向上した完全連結ネットワーク(FCN)よりもPAPCの方が優れた性能を示す。 さらに,パディング技術を用いることで,PAPCは動的に異なるユーザ数に適応できる。

関連論文リスト

• Neural Horizon Model Predictive Control -- Increasing Computational Efficiency with Neural Networks [0.0]
  予測制御をモデル化するための機械学習支援手法を提案する。 安全保証を維持しつつ,問題地平線の一部を近似することを提案する。 提案手法は,迅速な制御応答を必要とするアプリケーションを含む,幅広いアプリケーションに適用可能である。
  論文  参考訳（メタデータ） (2024-08-19T08:13:37Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Unsupervised Deep Unfolded PGD for Transmit Power Allocation in Wireless Systems [0.6091702876917281]
  本稿では,反復射影勾配(PGD)アルゴリズムをニューラルネットワークの層に深く展開し,ステップサイズパラメータを学習する,単純な低複素性TPCアルゴリズムを提案する。 高密度デバイス間通信(D2D)における性能評価の結果,提案手法は2回以上の繰り返し回数で反復アルゴリズムよりも優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T19:51:21Z)
• AI-based Radio and Computing Resource Allocation and Path Planning in NOMA NTNs: AoI Minimization under CSI Uncertainty [23.29963717212139]
  高高度プラットフォーム(HAP)と無人航空機(UAV)からなる階層型空中コンピューティングフレームワークを開発する。 タスクスケジューリングは平均AoIを大幅に削減する。 電力割り当ては全ユーザに対して全送信電力を使用する場合と比較して平均AoIに限界効果があることが示されている。
  論文  参考訳（メタデータ） (2023-05-01T11:52:15Z)
• Model-Driven Deep Learning for Non-Coherent Massive Machine-Type Communications [37.35929546347294]
  大規模機械型通信(mMTC)における1相非コヒーレント方式を用いた共同装置の動作とデータ検出について検討した。 非コヒーレント伝送方式によって導入された相関した疎結合パターンのため、従来のAMPアルゴリズムでは良好な性能が得られない。 本稿では,パイロット活動相関を効果的に活用して検出性能を向上させる深層学習改良AMPネットワーク(DL-mAMPnet)を提案する。
  論文  参考訳（メタデータ） (2023-01-02T04:02:32Z)
• Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP [62.81300791178381]
  無線による分散エッジ学習のボトルネックは、コンピューティングから通信へと移行した。 DEL用の既存のTCPベースのデータネットワークスキームは、アプリケーションに依存しず、アプリケーション層要求に応じて調整を施さない。 DELのためのモデルベースと深部強化学習(DRL)に基づくMP TCPを組み合わせたハイブリッドマルチパスTCP(MP TCP)を開発した。
  論文  参考訳（メタデータ） (2022-11-03T09:08:30Z)
• Over-the-Air Federated Multi-Task Learning via Model Sparsification and Turbo Compressed Sensing [48.19771515107681]
  本稿では,エッジサーバの協調の下で,エッジデバイス上にデプロイされた複数の学習タスクを非直交型フェードチャネルで共有する,オーバー・ザ・エアのFMTLフレームワークを提案する。 OA-FMTLでは、エッジデバイスの局所的な更新はスパース化され、圧縮され、重ね合わせの方法でアップリンクチャネルに送信される。 提案するOA-FMTLフレームワークとM-Turbo-CSアルゴリズムの性能解析を行った。
  論文  参考訳（メタデータ） (2022-05-08T08:03:52Z)
• Turning Channel Noise into an Accelerator for Over-the-Air Principal Component Analysis [65.31074639627226]
  主成分分析(PCA)は、データセットの線形構造を抽出するための技術です。 勾配降下アルゴリズムに基づくマルチアクセスチャネル上にPCAを配置する手法を提案する。 オーバー・ザ・エア・アグリゲーションはマルチ・アクセスの遅延を減らすために採用され、オーバー・ザ・エア・PCAという名称を与える。
  論文  参考訳（メタデータ） (2021-04-20T16:28:33Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)

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。