論文の概要: Beam Selection in ISAC using Contextual Bandit with Multi-modal Transformer and Transfer Learning

• arxiv url: http://arxiv.org/abs/2503.08937v1
• Date: Tue, 11 Mar 2025 22:35:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:38:28.012439
• Title: Beam Selection in ISAC using Contextual Bandit with Multi-modal Transformer and Transfer Learning
• Title（参考訳）: マルチモーダル変圧器と伝達学習を用いたISACのビーム選択
• Authors: Mohammad Farzanullah, Han Zhang, Akram Bin Sediq, Ali Afana, Melike Erol-Kantarci,
• Abstract要約: 第6世代 (6G) 無線技術は, インテグレート・センシング・コミュニケーション (ISAC) をトランスフォーメーションパラダイムとして導入する予定である。 本稿では、ISACセンシングデータを利用して複雑な屋内環境におけるビーム選択プロセスを強化する先駆的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.728362890819392
• License:
• Abstract: Sixth generation (6G) wireless technology is anticipated to introduce Integrated Sensing and Communication (ISAC) as a transformative paradigm. ISAC unifies wireless communication and RADAR or other forms of sensing to optimize spectral and hardware resources. This paper presents a pioneering framework that leverages ISAC sensing data to enhance beam selection processes in complex indoor environments. By integrating multi-modal transformer models with a multi-agent contextual bandit algorithm, our approach utilizes ISAC sensing data to improve communication performance and achieves high spectral efficiency (SE). Specifically, the multi-modal transformer can capture inter-modal relationships, enhancing model generalization across diverse scenarios. Experimental evaluations on the DeepSense 6G dataset demonstrate that our model outperforms traditional deep reinforcement learning (DRL) methods, achieving superior beam prediction accuracy and adaptability. In the single-user scenario, we achieve an average SE regret improvement of 49.6% as compared to DRL. Furthermore, we employ transfer reinforcement learning to reduce training time and improve model performance in multi-user environments. In the multi-user scenario, this approach enhances the average SE regret, which is a measure to demonstrate how far the learned policy is from the optimal SE policy, by 19.7% compared to training from scratch, even when the latter is trained 100 times longer.
• Abstract（参考訳）: 第6世代 (6G) 無線技術は, インテグレート・センシング・コミュニケーション (ISAC) をトランスフォーメーションパラダイムとして導入する予定である。 ISACは無線通信やRADARなどのセンサーを統合して、スペクトルやハードウェアのリソースを最適化する。 本稿では、ISACセンシングデータを利用して複雑な屋内環境におけるビーム選択プロセスを強化する先駆的なフレームワークを提案する。 マルチモーダルトランスフォーマーモデルとマルチエージェントコンテキスト帯域幅アルゴリズムを組み合わせることにより,ISACセンシングデータを用いて通信性能を向上し,高スペクトル効率(SE)を実現する。 具体的には、マルチモーダル変換器はモーダル間関係を捕捉し、様々なシナリオにおけるモデル一般化を強化する。 DeepSense 6Gデータセットの実験的評価により、我々のモデルは従来の深部強化学習法(DRL)よりも優れ、ビーム予測精度と適応性に優れることが示された。 シングルユーザーシナリオでは、平均的なSEの後悔改善率は、DRLと比較して49.6%である。 さらに,マルチユーザ環境におけるトレーニング時間を短縮し,モデル性能を向上させるため,転送強化学習を採用している。 マルチユーザーシナリオにおいて、このアプローチは、学習されたポリシーが最適SEポリシーからどれくらい遠いかを示す指標である平均SE後悔を、100倍のトレーニングを受けた場合でも、スクラッチからのトレーニングに比べて19.7%向上させる。

関連論文リスト

• DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
  学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。 シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T11:50:43Z)
• Multi-Modal Transformer and Reinforcement Learning-based Beam Management [10.728362890819392]
  動的ビーム指数予測のためのMMTとRLを組み合わせた2段階ビーム管理手法を提案する。 本研究では、利用可能なビーム指数を複数のグループに分割し、MMTを利用して様々なデータモダリティを処理し、最適なビーム群を予測する。 提案するフレームワークは6Gデータセットでテストされる。
  論文  参考訳（メタデータ） (2024-10-22T21:44:25Z)
• Enhancing Spectrum Efficiency in 6G Satellite Networks: A GAIL-Powered Policy Learning via Asynchronous Federated Inverse Reinforcement Learning [67.95280175998792]
  ビームフォーミング,スペクトルアロケーション,リモートユーザ機器(RUE)アソシエイトを最適化するために,GAILを利用した新しいポリシー学習手法を提案する。 手動チューニングなしで報酬関数を自動的に学習するために、逆RL(IRL)を用いる。 提案手法は従来のRL手法よりも優れており,コンバージェンスと報酬値の14.6%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-27T13:05:02Z)
• Multimodal Transformers for Wireless Communications: A Case Study in Beam Prediction [7.727175654790777]
  センシング支援ビーム予測のためのマルチモーダルトランスフォーマー深層学習フレームワークを提案する。 我々は畳み込みニューラルネットワークを用いて、時間とともにサンプリングされた画像、点雲、レーダー生データから特徴を抽出する。 実験結果から、画像とGPSデータに基づいてトレーニングしたソリューションは、予測されたビームの最高の距離ベース精度を78.44%に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-09-21T06:29:38Z)
• Switch Trajectory Transformer with Distributional Value Approximation for Multi-Task Reinforcement Learning [9.862909791015237]
  本稿では,Trajectory Transformerのマルチタスク拡張であるSwitchTTを提案する。 SwitchTTはマルチタスクポリシー学習にスイッチトランスフォーマーモデルアーキテクチャを利用する。 10タスク学習におけるトラジェクティブトランスフォーマーよりも10%向上し,オフラインモデルのトレーニング速度が最大90%向上することを示す。
  論文  参考訳（メタデータ） (2022-03-14T18:17:56Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• Meta-Reinforcement Learning for Trajectory Design in Wireless UAV Networks [151.65541208130995]
  ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。 この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。 新たな環境に遭遇したDBSの軌道に適応するために,メタラ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） (2020-05-25T20:43:59Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)
• Reconfigurable Intelligent Surface Assisted Multiuser MISO Systems Exploiting Deep Reinforcement Learning [21.770491711632832]
  再構成可能なインテリジェントサーフェス(RIS)は、将来の6世代(6G)無線通信システムにおいて重要な技術の一つとして推測されている。 本稿では, 基地局におけるビームフォーミング行列とRISにおける位相シフト行列の接合設計について, 深部強化学習(DRL)の最近の進歩を活用して検討する。 提案アルゴリズムは環境から学習し、その振る舞いを徐々に改善するだけでなく、2つの最先端ベンチマークと比較して同等の性能が得られる。
  論文  参考訳（メタデータ） (2020-02-24T04:28:44Z)

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。