論文の概要: Lightweight Learning for Grant-Free Activity Detection in Cell-Free Massive MIMO Networks
- arxiv url: http://arxiv.org/abs/2503.11305v1
- Date: Fri, 14 Mar 2025 11:18:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-17 13:05:37.449323
- Title: Lightweight Learning for Grant-Free Activity Detection in Cell-Free Massive MIMO Networks
- Title（参考訳）: セルレス大規模MIMOネットワークにおける自由活動検出のための軽量学習
- Authors: Ali Elkeshawy, Haifa Fares, Amor Nafkha,
- Abstract要約: Grant-free random access (GF-RA) は、将来の無線ネットワークにおける大規模機械型通信(mMTC)のための有望なアクセス技術である。
本研究では、デバイスアクティビティ検出(AD)における課題に対処するために、教師付き機械学習技術を用いた効率性を検討する。
我々は,mMTC 用の GF-RA のアクティビティ検出に特化して設計された,新しい軽量なデータ駆動型アルゴリズム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）: 0.19662978733004596
- License:
- Abstract: Grant-free random access (GF-RA) is a promising access technique for massive machine-type communications (mMTC) in future wireless networks, particularly in the context of 5G and beyond (6G) systems. Within the context of GF-RA, this study investigates the efficiency of employing supervised machine learning techniques to tackle the challenges on the device activity detection (AD). GF-RA addresses scalability by employing non-orthogonal pilot sequences, which provides an efficient alternative comparing to conventional grant-based random access (GB-RA) technique that are constrained by the scarcity of orthogonal preamble resources. In this paper, we propose a novel lightweight data-driven algorithmic framework specifically designed for activity detection in GF-RA for mMTC in cell-free massive multiple-input multiple-output (CF-mMIMO) networks. We propose two distinct framework deployment strategies, centralized and decentralized, both tailored to streamline the proposed approach implementation across network infrastructures. Moreover, we introduce optimized post-detection methodologies complemented by a clustering stage to enhance overall detection performances. Our 3GPP-compliant simulations have validated that the proposed algorithm achieves state-of-the-art model-based activity detection accuracy while significantly reducing complexity. Achieving 99% accuracy, it demonstrates real-world viability and effectiveness.
- Abstract（参考訳）: Grant-free random access (GF-RA) は、将来の無線ネットワーク、特に5Gおよび6G以上のシステムにおいて、大規模な機械型通信(mMTC)のための有望なアクセス技術である。
本研究は, GF-RAの文脈において, デバイスアクティビティ検出(AD)における課題に対処するために, 教師付き機械学習技術を用いることの効率について検討する。
GF-RAは、直交プリアンブル資源の不足に制約された従来の付与型ランダムアクセス(GB-RA)技術と比較して効率的な代替手段を提供する非直交パイロットシーケンスを用いてスケーラビリティに対処する。
本稿では,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(CF-mMIMO)ネットワークにおけるGF-RA for mMTCのアクティビティ検出に特化して設計された,軽量なデータ駆動型アルゴリズムフレームワークを提案する。
我々は,ネットワークインフラストラクチャ間のアプローチ実装を合理化するために,中央集権と分散化の2つの異なるフレームワーク配置戦略を提案する。
さらに,クラスタリング段階を補完する最適化後検出手法を導入し,全体的な検出性能を向上させる。
我々の3GPP対応シミュレーションは,提案アルゴリズムが複雑性を著しく低減しつつ,最先端のモデルベースアクティビティ検出精度を実現することを検証した。
99%の精度を達成し、現実の生存可能性と有効性を示す。
関連論文リスト
- Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。
深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
論文 参考訳（メタデータ） (2024-12-21T10:18:55Z) - Distributing Intelligence in 6G Programmable Data Planes for Effective In-Network Intrusion Prevention [2.563180814294141]
本研究の目的は、将来のプログラマブルネットワークの典型的なデータプレーンのデバイスが異常検出機能を有し、完全に分散した方法で協調してML対応侵入防止システムとして機能する破壊的パラダイムを提案することである。
報告された概念実証実験は、提案されたパラダイムによって、デバイス全体のCPUやRAMリソースの削減を図りながら、効果的かつ良好な精度で作業することが可能であることを実証している。
論文 参考訳（メタデータ） (2024-10-31T15:14:15Z) - Federated PCA on Grassmann Manifold for IoT Anomaly Detection [23.340237814344384]
従来の機械学習ベースの侵入検知システム(ML-IDS)にはラベル付きデータの要求のような制限がある。
AutoEncodersやGenerative Adversarial Networks (GAN)のような最近の教師なしML-IDSアプローチは代替ソリューションを提供する。
本稿では,分散データセットの共通表現を学習するフェデレーション型非教師付き異常検出フレームワークであるFedPCAを提案する。
論文 参考訳（メタデータ） (2024-07-10T07:23:21Z) - 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) - FiFo: Fishbone Forwarding in Massive IoT Networks [3.7813000491275233]
大規模なIoT(Internet of Things)ネットワークには,緊急メッセージや災害メッセージの迅速な配信を含む,幅広いアプリケーションがある。
ベンチマークアルゴリズムは、このようなアプリケーションでメッセージ配信を行うために、これまで開発されてきたが、いくつかの実践的な課題がある。
本研究では,魚骨フォワード法 (FiFo) を提案する。
論文 参考訳（メタデータ） (2022-11-02T15:55:17Z) - 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) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - 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) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z)
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。