論文の概要: Learn to Optimize Resource Allocation under QoS Constraint of AR

• arxiv url: http://arxiv.org/abs/2501.16186v1
• Date: Mon, 27 Jan 2025 16:42:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:55:15.762648
• Title: Learn to Optimize Resource Allocation under QoS Constraint of AR
• Title（参考訳）: ARのQoS制約下での資源配分最適化の学習
• Authors: Shiyong Chen, Yuwei Dai, Shengqian Han,
• Abstract要約: 本稿では,対話型拡張現実(AR)サービスにおけるアップリンクとダウンリンクのパワーアロケーションについて検討する。 タンデムキューシステムとしてAR伝送プロセスをモデル化することにより、エンドツーエンドのレイテンシと信頼性に関するQoS(probabilistic quality of Service)要件の上限を導出する。 本稿では、最適電力配分構造を利用して学習性能を向上させることによって、電力配分ポリシーを学習するためのディープニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 6.073675653083644
• License:
• Abstract: This paper studies the uplink and downlink power allocation for interactive augmented reality (AR) services, where live video captured by an AR device is uploaded to the network edge and then the augmented video is subsequently downloaded. By modeling the AR transmission process as a tandem queuing system, we derive an upper bound for the probabilistic quality of service (QoS) requirement concerning end-to-end latency and reliability. The resource allocation with the QoS constraints results in a functional optimization problem. To address it, we design a deep neural network to learn the power allocation policy, leveraging the structure of optimal power allocation to enhance learning performance. Simulation results demonstrate that the proposed method effectively reduces transmit powers while meeting the QoS requirement.
• Abstract（参考訳）: 本稿では,対話型拡張現実(AR)サービスにおけるアップリンクとダウンリンクのパワーアロケーションについて検討する。 タンデムキューシステムとしてAR伝送プロセスをモデル化することにより、エンドツーエンドのレイテンシと信頼性に関するQoS(probabilistic quality of Service)要件の上限を導出する。 QoS制約によるリソース割り当ては、機能最適化の問題をもたらす。 そこで我々は,電力配分ポリシーを学習する深層ニューラルネットワークを設計し,最適電力配分の構造を活用して学習性能を向上させる。 シミュレーションの結果,提案手法はQoS要求を満たす間,送信電力を効果的に削減することを示した。

関連論文リスト

• Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning [9.451084740123198]
  フェデレートラーニング(FL)は、エッジデバイスが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。 しかし、電力、帯域幅などの制約のあるリソースを持つモバイルエッジネットワーク上にFLをデプロイすることは、高いトレーニングレイテンシと低いモデルの精度に悩まされる。 本稿では,資源制約と不確実性の下で,モバイルエッジネットワーク上でのFLの最適なクライアントスケジューリングとリソース割り当てについて検討する。
  論文  参考訳（メタデータ） (2024-09-29T01:56:45Z)
• Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
  本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-25T07:42:30Z)
• Adaptive ResNet Architecture for Distributed Inference in Resource-Constrained IoT Systems [7.26437825413781]
  本稿では,モデルの性能に大きな影響を及ぼすことなく,ResNetの接続を落とせることを示す実証的研究について述べる。 実験により、適応型ResNetアーキテクチャは、分散全体にわたって共有データ、エネルギー消費、遅延を低減できることを示した。
  論文  参考訳（メタデータ） (2023-07-21T11:07:21Z)
• Intelligent Proactive Fault Tolerance at the Edge through Resource Usage Prediction [0.7046417074932255]
  リカレントニューラルネットワーク(RNN)を用いたエッジリソース利用予測を利用した知的能動的フォールトトレランス(IPFT)手法を提案する。 本稿では,処理能力の欠如により許容範囲で品質・オブ・サービス(QoS)を提供するインフラの欠如に関連するプロセスフォールトに着目した。
  論文  参考訳（メタデータ） (2023-02-09T00:42:34Z)
• On-Demand Resource Management for 6G Wireless Networks Using Knowledge-Assisted Dynamic Neural Networks [13.318287511072354]
  本稿では,オーケストレーション決定プロセスにおける計算遅延に着目し,オンデマンド無線リソースオーケストレーション問題について検討する。 動的ニューラルネットワーク(DyNN)に基づく手法を提案し,サービス要求に応じてモデルの複雑性を調整する。 知識を活用することで、DyNNの幅をタイムリーに選択でき、さらにオーケストレーションの性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-08-02T23:40:03Z)
• CLARA: A Constrained Reinforcement Learning Based Resource Allocation Framework for Network Slicing [19.990451009223573]
  ネットワークスライシングは,5Gおよび将来のネットワークにおける資源利用のための有望なソリューションとして提案されている。 モデルや隠れ構造を知らずにCMDP(Constrained Markov Decision Process)として問題を定式化する。 本稿では、制約付き強化LeArningに基づくリソース割当アルゴリズムであるCLARAを用いて、この問題を解決することを提案する。
  論文  参考訳（メタデータ） (2021-11-16T11:54:09Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)
• Deep Learning-based Resource Allocation For Device-to-Device Communication [66.74874646973593]
  デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。 任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。 シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
  論文  参考訳（メタデータ） (2020-11-25T14:19:23Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。