論文の概要: Explainable AI for UAV Mobility Management: A Deep Q-Network Approach for Handover Minimization

• arxiv url: http://arxiv.org/abs/2504.18371v1
• Date: Fri, 25 Apr 2025 14:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.790048
• Title: Explainable AI for UAV Mobility Management: A Deep Q-Network Approach for Handover Minimization
• Title（参考訳）: UAVモビリティ管理のための説明可能なAI: ハンドオーバ最小化のためのQ-Networkアプローチ
• Authors: Irshad A. Meer, Bruno Hörmann, Mustafa Ozger, Fabien Geyer, Alberto Viseras, Dominic Schupke, Cicek Cavdar,
• Abstract要約: 本稿では、さまざまな状態パラメータがハンドオーバ決定にどのように影響するかについて、より深い洞察を提供するための、説明可能なAI(XAI)フレームワークを紹介する。 参照信号受信電力(RSRP)などの重要な特徴の影響を定量化することにより、RLベースのハンドオーバソリューションの解釈可能性と信頼性を向上させる。
• 参考スコア（独自算出の注目度）: 4.7430397428031785
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The integration of unmanned aerial vehicles (UAVs) into cellular networks presents significant mobility management challenges, primarily due to frequent handovers caused by probabilistic line-of-sight conditions with multiple ground base stations (BSs). To tackle these challenges, reinforcement learning (RL)-based methods, particularly deep Q-networks (DQN), have been employed to optimize handover decisions dynamically. However, a major drawback of these learning-based approaches is their black-box nature, which limits interpretability in the decision-making process. This paper introduces an explainable AI (XAI) framework that incorporates Shapley Additive Explanations (SHAP) to provide deeper insights into how various state parameters influence handover decisions in a DQN-based mobility management system. By quantifying the impact of key features such as reference signal received power (RSRP), reference signal received quality (RSRQ), buffer status, and UAV position, our approach enhances the interpretability and reliability of RL-based handover solutions. To validate and compare our framework, we utilize real-world network performance data collected from UAV flight trials. Simulation results show that our method provides intuitive explanations for policy decisions, effectively bridging the gap between AI-driven models and human decision-makers.
• Abstract（参考訳）: 無人航空機(UAV)のセルラーネットワークへの統合は、主に複数の地上基地局(BS)による確率的視線条件による頻繁なハンドオーバによって、大きなモビリティ管理上の課題を示す。 これらの課題に対処するために、強化学習(RL)ベースの手法、特に深層Q-networks(DQN)が動的にハンドオーバ決定を最適化するために採用されている。 しかしながら、これらの学習ベースのアプローチの大きな欠点は、意思決定プロセスにおける解釈可能性を制限するブラックボックスの性質である。 本稿では,多種多様な状態パラメータがDQNベースのモビリティ管理システムにおけるハンドオーバ決定にどのように影響するか,より深い洞察を提供するために,Shapley Additive Explanations(SHAP)を組み込んだ説明可能なAI(XAI)フレームワークを紹介する。 基準信号受信電力(RSRP)、基準信号受信品質(RSRQ)、バッファ状態、UAV位置などの重要な特徴の影響を定量化することにより、RLベースのハンドオーバソリューションの解釈可能性と信頼性を高めることができる。 この枠組みを検証・比較するために,UAV飛行試験から収集した実世界のネットワーク性能データを利用する。 シミュレーションの結果,提案手法は政策決定の直感的な説明を提供し,AI駆動型モデルと人的意思決定者とのギャップを効果的に埋めることが示唆された。

関連論文リスト

• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• Closing the Responsibility Gap in AI-based Network Management: An Intelligent Audit System Approach [0.0]
  既存のネットワークパラダイムは、AI(Artificial Intelligence)ベースのネットワーク管理ツールを使用することで、ダウンタイムの低減と、より高いQuality of Experience(QoE)を実現している。 これらのAI管理ツールは、ネットワーク条件の変更に対する自動応答を可能にし、オペレータの運用コストを低減し、全体的なパフォーマンスを改善する。 AIベースの管理ツールを採用することでネットワーク全体のパフォーマンスが向上する一方で、人間の監督、プライバシー侵害、アルゴリズムバイアス、モデル不正確性といった課題も導入されている。
  論文  参考訳（メタデータ） (2025-02-08T15:30:25Z)
• Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
  無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。 本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T12:36:08Z)
• A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
  トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。 先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。 本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
  論文  参考訳（メタデータ） (2023-06-05T01:01:12Z)
• Hybrid Indoor Localization via Reinforcement Learning-based Information Fusion [17.079430640475962]
  この論文は,グローバル都市化の今後の管理におけるスマートシティ(SC)の概念の重要性に動機づけられている。 モノのインターネット(IoT)ベースの通信技術の中で、Bluetooth Low Energy(BLE)は都市全体の意思決定とサービスにおいて重要な役割を果たす。
  論文  参考訳（メタデータ） (2022-10-27T02:38:25Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Distributed CNN Inference on Resource-Constrained UAVs for Surveillance Systems: Design and Optimization [43.9909417652678]
  無人航空機(UAV)は、広い地域をカバーし、困難で危険な目標地域にアクセスする能力のため、ここ数年で大きな関心を集めている。 コンピュータビジョンと機械学習の進歩により、UAVは幅広いソリューションやアプリケーションに採用されている。 ディープニューラルネットワーク(DNN)は、それらがオンボードで実行されるのを防ぐ、より深く複雑なモデルに向かって進んでいる。
  論文  参考訳（メタデータ） (2021-05-23T20:19:43Z)
• 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)
• Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning [18.266087952180733]
  本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。 提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
  論文  参考訳（メタデータ） (2020-10-23T14:59:30Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。