論文の概要: Online Learning-based Adaptive Beam Switching for 6G Networks: Enhancing Efficiency and Resilience

• arxiv url: http://arxiv.org/abs/2505.08032v1
• Date: Mon, 12 May 2025 19:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.322692
• Title: Online Learning-based Adaptive Beam Switching for 6G Networks: Enhancing Efficiency and Resilience
• Title（参考訳）: 6Gネットワークのためのオンライン学習に基づく適応ビームスイッチング:効率性とレジリエンスの向上
• Authors: Seyed Bagher Hashemi Natanzi, Zhicong Zhu, Bo Tang,
• Abstract要約: 6Gネットワークにおけるアダプティブビームスイッチングは、高周波数、モビリティ、ブロックによって困難である。 状態表現が強化された深層強化学習(DRL)を用いたオンライン学習フレームワークを提案する。 本手法は従来の手法に比べてSNR,スループット,精度を著しく向上させる。
• 参考スコア（独自算出の注目度）: 4.225842983038142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive beam switching in 6G networks is challenged by high frequencies, mobility, and blockage. We propose an Online Learning framework using Deep Reinforcement Learning (DRL) with an enhanced state representation (velocity and blockage history), a GRU architecture, and prioritized experience replay for real-time beam optimization. Validated via Nvidia Sionna under time-correlated blockage, our approach significantly enhances resilience in SNR, throughput, and accuracy compared to a conventional heuristic. Furthermore, the enhanced DRL agent outperforms a reactive Multi-Armed Bandit (MAB) baseline by leveraging temporal dependencies, achieving lower performance variability. This demonstrates the benefits of memory and prioritized learning for robust 6G beam management, while confirming MAB as a strong baseline.
• Abstract（参考訳）: 6Gネットワークにおけるアダプティブビームスイッチングは、高周波数、モビリティ、ブロックによって困難である。 本稿では,GRUアーキテクチャの強化された状態表現(速度とブロック履歴)と,リアルタイムビーム最適化のための体験再生を優先した,深層強化学習(DRL)を用いたオンライン学習フレームワークを提案する。 Nvidia Sionnaによる時間的拘束下での検証により,従来のヒューリスティックに比べて,SNRのレジリエンス,スループット,精度が著しく向上する。 さらに、拡張DRLエージェントは、時間的依存関係を活用して、より低い性能変数を実現することにより、反応性のマルチアーマッドバンド(MAB)ベースラインよりも優れた性能を発揮する。 これは、強力なベースラインとしてMABを確認しながら、堅牢な6Gビーム管理のためのメモリと優先学習の利点を示す。

関連論文リスト

• Self-Routing RAG: Binding Selective Retrieval with Knowledge Verbalization [97.72503890388866]
  本稿では,選択的検索と知識の言語化を結合する新しいフレームワークであるSelf-Routing RAG(SR-RAG)を提案する。 SR-RAGは、LLMが外部検索と独自のパラメトリック知識の言語化を動的に決定できるようにする。 近接探索による動的知識源推定を導入し,知識源決定の精度を向上させる。
  論文  参考訳（メタデータ） (2025-04-01T17:59:30Z)
• 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)
• Gated Slot Attention for Efficient Linear-Time Sequence Modeling [59.019501274074564]
  Gated Slot Attention(GSA)は境界メモリ・コントロル(ABC)による注意を高める GSAはGated Linear Attention (GLA)にインスパイアされたゲーティング機構を組み込んでいる
  論文  参考訳（メタデータ） (2024-09-11T09:49:50Z)
• Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
  我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。 信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
  論文  参考訳（メタデータ） (2024-06-29T02:40:28Z)
• Toward Enhanced Reinforcement Learning-Based Resource Management via Digital Twin: Opportunities, Applications, and Challenges [40.73920295596231]
  本稿では、ネットワークリソース管理の性能と信頼性を最適化することを目的とした、デジタルツイン(DT)強化強化学習(RL)フレームワークを提案する。 これらの課題に対処するため,総合的なDTベースのフレームワークが提案され,統一的なRLベースのリソース管理のための収束速度と性能が向上する。 提案するフレームワークは、安全な行動探索、長期的なリターンのより正確な推定、トレーニング収束の高速化、コンバージェンス性能の向上、様々なネットワーク条件へのリアルタイム適応を提供する。
  論文  参考訳（メタデータ） (2024-06-12T04:14:24Z)
• A Low Latency Adaptive Coding Spiking Framework for Deep Reinforcement Learning [27.558298367330053]
  本稿では,学習可能な行列乗法を用いてスパイクのエンコードとデコードを行い,コーダの柔軟性を向上させる。 直接学習法を用いてSNNを訓練し、オンラインとオフラインのRLアルゴリズムに2つの異なる構造を用いる。 実験の結果,超低レイテンシで最適性能を実現し,エネルギー効率に優れることがわかった。
  論文  参考訳（メタデータ） (2022-11-21T07:26:56Z)
• Beam Management in Ultra-dense mmWave Network via Federated Reinforcement Learning: An Intelligent and Secure Approach [19.01563068819449]
  超高密度ミリ波ネットワーク(UDmmWave)の鍵となる課題は、高伝搬遅延制限ビームカバレッジによるビーム管理である。 本稿では,ユーザプライバシを理論的に保護し,ハンドオフコストを低減できる新しいビーム管理手法を提案する。
  論文  参考訳（メタデータ） (2022-10-04T01:47:33Z)
• Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
  強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。 本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。 我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
  論文  参考訳（メタデータ） (2022-09-24T14:22:29Z)
• 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)

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。