論文の概要: Transformer-Based Power Optimization for Max-Min Fairness in Cell-Free Massive MIMO

• arxiv url: http://arxiv.org/abs/2503.03561v1
• Date: Wed, 05 Mar 2025 14:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:50:43.436076
• Title: Transformer-Based Power Optimization for Max-Min Fairness in Cell-Free Massive MIMO
• Title（参考訳）: セルフリー大量MIMOにおける変圧器による最大値の電力最適化
• Authors: Irched Chafaa, Giacomo Bacci, Luca Sanguinetti,
• Abstract要約: 本稿では,ユーザとアクセスポイントの位置のみを用いて,最適なアップリンクとダウンリンクの電力を共同で予測するトランスフォーマーニューラルネットワークを提案する。 実験結果から, ほぼ最適性能が得られた。
• 参考スコア（独自算出の注目度）: 10.638280710776918
• License:
• Abstract: Power allocation is an important task in wireless communication networks. Classical optimization algorithms and deep learning methods, while effective in small and static scenarios, become either computationally demanding or unsuitable for large and dynamic networks with varying user loads. This letter explores the potential of transformer-based deep learning models to address these challenges. We propose a transformer neural network to jointly predict optimal uplink and downlink power using only user and access point positions. The max-min fairness problem in cell-free massive multiple input multiple output systems is considered. Numerical results show that the trained model provides near-optimal performance and adapts to varying numbers of users and access points without retraining, additional processing, or updating its neural network architecture. This demonstrates the effectiveness of the proposed model in achieving robust and flexible power allocation for dynamic networks.
• Abstract（参考訳）: 電力割り当ては無線通信ネットワークにおいて重要な課題である。 古典的な最適化アルゴリズムとディープラーニング手法は、小さくて静的なシナリオでは有効であるが、計算的に要求されるか、ユーザー負荷の異なる大規模で動的ネットワークに適している。 この書簡は、これらの課題に対処するトランスフォーマーベースのディープラーニングモデルの可能性を探るものである。 本稿では,ユーザとアクセスポイントの位置のみを用いて,最適なアップリンクとダウンリンクの電力を共同で予測するトランスフォーマーニューラルネットワークを提案する。 セルフリー大規模マルチ入力多重出力システムにおける最大値の公平性問題について考察する。 数値的な結果から、トレーニングされたモデルは、ほぼ最適性能を提供し、リトレーニング、追加処理、ニューラルネットワークアーキテクチャの更新なしに、様々な数のユーザやアクセスポイントに対応できることが分かる。 このことは、動的ネットワークのロバストで柔軟なパワーアロケーションを実現する上で、提案モデルの有効性を示す。

関連論文リスト

• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Graph Neural Networks-Based User Pairing in Wireless Communication Systems [0.34410212782758043]
  ユーザペアリング問題を効率的に解くために,教師なしグラフニューラルネットワーク(GNN)アプローチを提案する。 提案手法は20dBのSNRにおいて,k平均よりも49%,SUSより95%高い総和率を達成する。
  論文  参考訳（メタデータ） (2023-05-14T11:57:42Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Adapting to Dynamic LEO-B5G Systems: Meta-Critic Learning Based Efficient Resource Scheduling [38.733584547351796]
  オーバーロードされたLEO地上システムにおける2つの実用的課題に対処する。 最初の課題は、膨大な数の接続されたユーザに対して、リソースを効率的にスケジュールする方法です。 第2の課題は、動的無線環境への適応において、アルゴリズムによるソリューションをよりレジリエントにする方法だ。
  論文  参考訳（メタデータ） (2021-10-13T15:21:38Z)
• 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)
• Entanglement Rate Optimization in Heterogeneous Quantum Communication Networks [79.8886946157912]
  量子通信ネットワークは、将来6G以降の通信ネットワークにおいて重要な構成要素となる可能性のある、有望な技術として登場しつつある。 近年の進歩は、実際の量子ハードウェアによる小規模および大規模量子通信ネットワークの展開に繋がった。 量子ネットワークにおいて、絡み合いは異なるノード間でのデータ転送を可能にする鍵となるリソースである。
  論文  参考訳（メタデータ） (2021-05-30T11:34:23Z)
• Deep Learning-based Power Control for Cell-Free Massive MIMO Networks [11.814562485294916]
  セルフリー大規模マルチインプットマルチアウトプット(MIMO)システムにおける最大ユーザフェアネス問題を解決するために,電力制御アルゴリズムを提案する。 数学的最適化理論を用いて問題をモデル化し、反復アルゴリズムで解く代わりに、提案した解法はディープラーニング(DL)を用いる。 オンライン学習の段階も導入され、4～6倍高速な処理でほぼ最適性能が得られる。
  論文  参考訳（メタデータ） (2021-02-20T14:59:42Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)
• Scheduling and Power Control for Wireless Multicast Systems via Deep Reinforcement Learning [33.737301955006345]
  無線システムにおけるマルチキャストは、コンテンツ中心ネットワークにおけるユーザ要求の冗長性を利用する方法である。 電力制御と最適スケジューリングは、衰退中の無線マルチキャストネットワークの性能を著しく向上させることができる。 提案手法により, 大規模システムに対して, 電力制御ポリシを学習可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-27T15:59:44Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。