論文の概要: Robust Learning-Based Sparse Recovery for Device Activity Detection in Grant-Free Random Access Cell-Free Massive MIMO: Enhancing Resilience to Impairments

• arxiv url: http://arxiv.org/abs/2503.10280v1
• Date: Thu, 13 Mar 2025 11:46:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:02.137754
• Title: Robust Learning-Based Sparse Recovery for Device Activity Detection in Grant-Free Random Access Cell-Free Massive MIMO: Enhancing Resilience to Impairments
• Title（参考訳）: ランダムアクセス不要MIMOにおけるデバイス動作検出のためのロバスト学習に基づくスパースリカバリ:障害に対する耐性を高める
• Authors: Ali Elkeshawy, Haifa Fares, Amor Nafkha,
• Abstract要約: 本稿では,機械型通信(mMTC)における無許可ランダムアクセスにおけるアクティビティ検出について検討する。 CPUに中央的に実装されたデバイスアクティビティ検出に適した,シンプルで効率的なデータ駆動アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.19662978733004596
• License:
• Abstract: Massive MIMO is considered a key enabler to support massive machine-type communication (mMTC). While massive access schemes have been extensively analyzed for co-located massive MIMO arrays, this paper explores activity detection in grant-free random access for mMTC within the context of cell-free massive MIMO systems, employing distributed antenna arrays. This sparse support recovery of device activity status is performed by a finite cluster of access points (APs) from a large number of geographically distributed APs collaborating to serve a larger number of devices. Active devices transmit non-orthogonal pilot sequences to APs, which forward the received signals to a central processing unit (CPU) for collaborative activity detection. This paper proposes a simple and efficient data-driven algorithm tailored for device activity detection, implemented centrally at the CPU. Furthermore, the study assesses the algorithm's robustness to input perturbations and examines the effects of adopting fixed-point representation on its performance.
• Abstract（参考訳）: 大規模MIMOは、大規模な機械型通信(mMTC)をサポートするための鍵となる実装であると考えられている。 大規模MIMOアレーの大規模アクセス方式は大規模に解析されているが, セルフリーな大規模MIMOシステムにおけるMMTCの無許可ランダムアクセスにおけるアクティブ検出について, 分散アンテナアレーを用いて検討した。 このスパース・サポート・リカバリは、地理的に分散された多数のAPからアクセスポイントの有限クラスタ(AP)によって実施され、より多くのデバイスに役立てられる。 アクティブデバイスは非直交パイロットシーケンスをAPに送信し、受信した信号をCPU(Central Processing Unit)に転送して協調的なアクティビティ検出を行う。 本稿では,CPUに中央的に実装されたデバイスアクティビティ検出に適した,シンプルで効率的なデータ駆動アルゴリズムを提案する。 さらに,入力摂動に対するアルゴリズムの頑健性を評価し,定点表現の適用が性能に与える影響について検討した。

関連論文リスト

• Deep Learning-Based Approach for User Activity Detection with Grant-Free Random Access in Cell-Free Massive MIMO [0.8520624117635328]
  本稿では,アクティビティ検出問題への教師付き機械学習モデルの適用について検討する。 本研究では, セルフリー・マス・マルチ入力多重出力(CF-mMIMO)ネットワークにおいて, ユーザアクティビティ検出に特化して設計されたデータ駆動アルゴリズムを提案する。 このアルゴリズムは99%の精度を達成し、実世界のアプリケーションで有効性を確認します。
  論文  参考訳（メタデータ） (2024-06-11T11:08:33Z)
• Joint User and Data Detection in Grant-Free NOMA with Attention-based BiLSTM Network [14.569960447904327]
  マルチユーザ検出問題を解決するために,注目型双方向長短期メモリ(BiLSTM)ネットワークを提案する。 提案するフレームワークは、MUDを実行するためのデバイス疎度レベルやチャネルの事前知識を必要としない。 その結果,提案するネットワークは,既存のベンチマーク方式と比較して性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2022-09-14T03:18:23Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• Deep Learning-Based Active User Detection for Grant-free SCMA Systems [12.565459084483045]
  グループベースのディープニューラルネットワークアクティブユーザ検出方式を2つ提案する。 スキームは非線形マッピング、すなわち多次元コードブック構造とチャネル特性を学ぶ。 オフラインで事前訓練されたモデルは、チャネル状態情報なしでアクティブなデバイスを検出することができる。
  論文  参考訳（メタデータ） (2021-06-21T15:34:14Z)
• Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
  無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
  論文  参考訳（メタデータ） (2021-02-09T15:48:35Z)
• Federated Learning-Based Risk-Aware Decision toMitigate Fake Task Impacts on CrowdsensingPlatforms [9.925311092487851]
  モバイルクラウドセンシング(MCS)は、多数のモバイルスマートデバイスでセンサーを活用することで、分散および非専用センシングの概念を活用します。 MCSプラットフォームに偽の検知タスクを送信した悪意のあるユーザは、参加者のデバイスからリソースを消費しようとするかもしれない。 多数の独立した検出装置と集約エンティティを含む偽タスクを識別する手法が提案されている。
  論文  参考訳（メタデータ） (2021-01-04T22:43:24Z)
• End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
  エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。 局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。 エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-07T09:14:55Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Identity-Aware Attribute Recognition via Real-Time Distributed Inference in Mobile Edge Clouds [53.07042574352251]
  我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。 本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。 そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-08-12T12:03:27Z)
• Jointly Sparse Signal Recovery and Support Recovery via Deep Learning with Applications in MIMO-based Grant-Free Random Access [9.709229853995991]
  本稿では,実数に対する標準オートエンコーダ構造に基づく2つのモデル駆動手法を提案する。 1つは、共通測定行列と共同スパース信号回復法を共同設計することである。 もうひとつは,共用測定行列と連用スパース支持回収法を共同設計することを目的としている。
  論文  参考訳（メタデータ） (2020-08-05T08:26:16Z)

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。