論文の概要: Reinforcement Learning Based Goodput Maximization with Quantized Feedback in URLLC
- arxiv url: http://arxiv.org/abs/2501.11190v1
- Date: Sun, 19 Jan 2025 22:37:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:19:37.880234
- Title: Reinforcement Learning Based Goodput Maximization with Quantized Feedback in URLLC
- Title（参考訳）: URLLCにおける量子フィードバックを用いた強化学習に基づくグッドプットの最大化
- Authors: Hasan Basri Celebi, Mikael Skoglund,
- Abstract要約: 本研究では、受信機が送信機に量子化されたチャネル状態情報を提供する通信システムについて検討する。
本稿では,フィードバックスキームを最適化するために,新たなRician-$K$係数推定手法を提案する。
- 参考スコア（独自算出の注目度）: 25.794259368427277
- License:
- Abstract: This paper presents a comprehensive system model for goodput maximization with quantized feedback in Ultra-Reliable Low-Latency Communication (URLLC), focusing on dynamic channel conditions and feedback schemes. The study investigates a communication system, where the receiver provides quantized channel state information to the transmitter. The system adapts its feedback scheme based on reinforcement learning, aiming to maximize goodput while accommodating varying channel statistics. We introduce a novel Rician-$K$ factor estimation technique to enable the communication system to optimize the feedback scheme. This dynamic approach increases the overall performance, making it well-suited for practical URLLC applications where channel statistics vary over time.
- Abstract（参考訳）: 本稿では,高信頼低レイテンシ通信(URLLC)において,動的チャネル条件とフィードバックスキームに焦点をあてて,量子化フィードバックを用いた出力最大化のための包括的システムモデルを提案する。
本研究では、受信機が送信機に量子化されたチャネル状態情報を提供する通信システムについて検討する。
このシステムは、様々なチャネル統計を調整しながら、出力を最大化することを目的として、強化学習に基づくフィードバックスキームに適応する。
本稿では,フィードバック方式を最適化するための新しいRician-$K$ factor推定手法を提案する。
この動的アプローチにより全体的な性能が向上し、チャネル統計が時間とともに変化する実践的なURLLCアプリケーションに適している。
関連論文リスト
- Semantic Successive Refinement: A Generative AI-aided Semantic Communication Framework [27.524671767937512]
本稿では,単一ユーザシナリオを対象とした新しいジェネレーティブAIセマンティックコミュニケーション(GSC)システムを提案する。
送信側では、Swin Transformerをベースとしたジョイントソースチャネル符号化機構を用いて、効率的なセマンティック特徴抽出を行う。
受信側では、高度な拡散モデル(DM)が劣化した信号から高品質な画像を再構成し、知覚の詳細を高める。
論文 参考訳（メタデータ） (2024-07-31T06:08:51Z) - Deep Learning-Based Frequency Offset Estimation [7.143765507026541]
残差ネットワーク(ResNet)を用いて信号の特徴を学習し抽出することで,CFO推定におけるディープラーニングの利用について述べる。
従来のCFO推定法と比較して,提案手法は様々なシナリオにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2023-11-08T13:56:22Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Unsupervised Learning for Pilot-free Transmission in 3GPP MIMO Systems [6.352264764099531]
本稿では、復調基準信号(DM-RS)のない新しいダウンリンクデータ構造を提案する。
ユーザ側で繰り返し構造を実行することで,正準相関解析により信頼性の高いリカバリが可能であることを示す。
また,OFDMシステムにおけるCCA性能向上のための2つの効果的なメカニズムを提案する。
論文 参考訳（メタデータ） (2023-02-04T16:32:40Z) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-22T13:34:53Z) - CAnet: Uplink-aided Downlink Channel Acquisition in FDD Massive MIMO
using Deep Learning [51.72869237847767]
周波数分割二重化システムでは、ダウンリンクチャネル状態情報(CSI)取得方式は高いトレーニングとフィードバックのオーバーヘッドをもたらす。
これらのオーバーヘッドを削減するためにディープラーニングを用いたアップリンク支援ダウンリンクチャネル獲得フレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-12T10:12:28Z) - FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。
複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。
得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文 参考訳（メタデータ） (2020-11-14T11:29:55Z) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳（メタデータ） (2020-11-03T16:50:37Z) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-02-24T22:18:54Z)
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。