論文の概要: Learning Power Control Protocol for In-Factory 6G Subnetworks

• arxiv url: http://arxiv.org/abs/2505.05967v1
• Date: Fri, 09 May 2025 11:39:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.246886
• Title: Learning Power Control Protocol for In-Factory 6G Subnetworks
• Title（参考訳）: In-Factory 6Gサブネットワークのための電力制御プロトコルの学習
• Authors: Uyoata E. Uyoata, Gilberto Berardinelli, Ramoni Adeogun,
• Abstract要約: In-X Subnetworksは、多様な6Gユースケースにおける短距離通信の厳しい要求を満たすために構想されている。 電力制御は、潜在的に高いサブネットワーク密度に起因する干渉の影響を軽減するために重要である。 本稿では、アクセスポイントが信号制御プロトコルと電力制御プロトコルの両方を自律的に学習できるように設計された、新しいマルチエージェント強化学習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）: 0.8466004732265869
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In-X Subnetworks are envisioned to meet the stringent demands of short-range communication in diverse 6G use cases. In the context of In-Factory scenarios, effective power control is critical to mitigating the impact of interference resulting from potentially high subnetwork density. Existing approaches to power control in this domain have predominantly emphasized the data plane, often overlooking the impact of signaling overhead. Furthermore, prior work has typically adopted a network-centric perspective, relying on the assumption of complete and up-to-date channel state information (CSI) being readily available at the central controller. This paper introduces a novel multi-agent reinforcement learning (MARL) framework designed to enable access points to autonomously learn both signaling and power control protocols in an In-Factory Subnetwork environment. By formulating the problem as a partially observable Markov decision process (POMDP) and leveraging multi-agent proximal policy optimization (MAPPO), the proposed approach achieves significant advantages. The simulation results demonstrate that the learning-based method reduces signaling overhead by a factor of 8 while maintaining a buffer flush rate that lags the ideal "Genie" approach by only 5%.
• Abstract（参考訳）: In-X Subnetworksは、多様な6Gユースケースにおける短距離通信の厳しい要求を満たすために構想されている。 In-Factoryのシナリオでは、潜在的に高いサブネットワーク密度に起因する干渉の影響を軽減するために、効果的な電力制御が重要である。 この領域における既存の電力制御のアプローチは、主にデータプレーンを強調しており、しばしば信号のオーバーヘッドの影響を見落としている。 さらに、以前の作業は一般的にネットワーク中心の視点を採用しており、中央コントローラで容易に利用できる完全かつ最新のチャネル状態情報(CSI)の仮定に依存している。 In-Factory Subnetwork環境において、アクセスポイントが信号処理と電力制御の両方のプロトコルを自律的に学習できるようにするための新しいマルチエージェント強化学習(MARL)フレームワークを提案する。 問題を部分的に観測可能なマルコフ決定プロセス (POMDP) として定式化し, 多エージェント近似ポリシー最適化 (MAPPO) を活用することにより, 提案手法は大きな優位性を実現する。 シミュレーションの結果、学習に基づく手法は、理想的な「ジェニー」アプローチを5%遅れさせるバッファのフラッシュレートを維持しながら、信号のオーバヘッドを8倍に削減することを示した。

関連論文リスト

• Lightweight Learning for Grant-Free Activity Detection in Cell-Free Massive MIMO Networks [0.19662978733004596]
  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。
  論文  参考訳（メタデータ） (2025-03-14T11:18:47Z)
• Scalable spectral representations for multi-agent reinforcement learning in network MDPs [13.782868855372774]
  マルチエージェント制御の一般的なモデルであるNetwork Markov Decision Processes (MDPs)は、効率的な学習に重大な課題をもたらす。 まず、ネットワークMDPに対してスケーラブルなスペクトル局所表現を導出し、各エージェントの局所$Q$関数に対するネットワーク線形部分空間を誘導する。 我々は,連続的な状態対応ネットワークMDPのためのスケーラブルなアルゴリズムフレームワークを設計し,アルゴリズムの収束をエンドツーエンドで保証する。
  論文  参考訳（メタデータ） (2024-10-22T17:45:45Z)
• Perimeter Control with Heterogeneous Metering Rates for Cordon Signals: A Physics-Regularized Multi-Agent Reinforcement Learning Approach [12.86346901414289]
  過飽和環境下での都市道路網の制御に対処するための周辺制御(PC)戦略が提案されている。 本稿では,MARL(Multi-Agent Reinforcement Learning)に基づく交通信号制御フレームワークを活用し,PC問題を分解する。 MARLフレームワークの物理正則化手法は,分散コードン信号制御装置がグローバルネットワークの状態を認識していることを確実にするために提案される。
  論文  参考訳（メタデータ） (2023-08-24T13:51:16Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• Power Control for 6G Industrial Wireless Subnetworks: A Graph Neural Network Approach [2.0932869978899453]
  第6世代(6G)産業用無線機は、ロボットや生産モジュールの制御操作のための有線接続を置き換えることが期待されている。 中央集権制御のための既存のソリューションは、すべての所望リンクと干渉リンクの完全なチャネル状態情報(CSI)を必要とすることがある。 本稿では,グラフニューラルネットワーク(GNN)に基づく産業用集中型電力制御手法を提案する。
  論文  参考訳（メタデータ） (2022-12-30T15:04:38Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• 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)
• Distributed Voltage Regulation of Active Distribution System Based on Enhanced Multi-agent Deep Reinforcement Learning [9.7314654861242]
  本稿では,スペクトルクラスタリングと拡張マルチエージェント深部強化学習(MADRL)アルゴリズムに基づくデータ駆動分散電圧制御手法を提案する。 提案手法は,システムパラメータの通信と知識の要求を大幅に低減することができる。 また、不確実性を効果的に処理し、最新のローカル情報に基づいたオンライン協調制御を提供する。
  論文  参考訳（メタデータ） (2020-05-31T15:48:27Z)

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。