論文の概要: Pilot Contamination-Aware Graph Attention Network for Power Control in CFmMIMO

• arxiv url: http://arxiv.org/abs/2506.00967v1
• Date: Sun, 01 Jun 2025 11:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.872392
• Title: Pilot Contamination-Aware Graph Attention Network for Power Control in CFmMIMO
• Title（参考訳）: CFmMIMOにおける電力制御のためのパイロット汚染対応グラフアテンションネットワーク
• Authors: Tingting Zhang, Sergiy A. Vorobyov, David J. Love, Taejoon Kim, Kai Dong,
• Abstract要約: CFmMIMOシステムにおけるダウンリンク電力制御のためのグラフアテンションネットワークを提案する。 パイロットの汚染を効果的に処理し、多数のユーザ機器に適応しながら、自己管理的な操作を行う。
• 参考スコア（独自算出の注目度）: 32.84946455950395
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optimization-based power control algorithms are predominantly iterative with high computational complexity, making them impractical for real-time applications in cell-free massive multiple-input multiple-output (CFmMIMO) systems. Learning-based methods have emerged as a promising alternative, and among them, graph neural networks (GNNs) have demonstrated their excellent performance in solving power control problems. However, all existing GNN-based approaches assume ideal orthogonality among pilot sequences for user equipments (UEs), which is unrealistic given that the number of UEs exceeds the available orthogonal pilot sequences in CFmMIMO schemes. Moreover, most learning-based methods assume a fixed number of UEs, whereas the number of active UEs varies over time in practice. Additionally, supervised training necessitates costly computational resources for computing the target power control solutions for a large volume of training samples. To address these issues, we propose a graph attention network for downlink power control in CFmMIMO systems that operates in a self-supervised manner while effectively handling pilot contamination and adapting to a dynamic number of UEs. Experimental results show its effectiveness, even in comparison to the optimal accelerated projected gradient method as a baseline.
• Abstract（参考訳）: 最適化ベースの電力制御アルゴリズムは計算量が多いため、セルレス大規模マルチインプットマルチアウトプット(CFmMIMO)システムにおけるリアルタイムアプリケーションでは実用的ではない。 学習ベースの手法は有望な代替手段として現れており、その中でもグラフニューラルネットワーク(GNN)は、電力制御問題の解法における優れた性能を実証している。 しかし、既存のGNNベースのアプローチはすべて、ユーザ機器(UE)のパイロットシーケンスの中で理想的な直交性を前提としており、UEの数がCFmMIMOスキームで利用可能な直交パイロットシーケンスを超えていることを考えると、非現実的である。 さらに、ほとんどの学習ベースの手法は一定数のUEを仮定するが、アクティブなUEの数は実際は時間とともに変化する。 さらに、教師付きトレーニングは、大量のトレーニングサンプルに対して、目標電力制御ソリューションを計算するためのコストのかかる計算資源を必要とする。 これらの問題に対処するために、パイロット汚染を効果的に処理し、動的数のUEに適応しつつ、自己管理的に動作するCFmMIMOシステムにおいて、ダウンリンク電力制御のためのグラフアテンションネットワークを提案する。 実験結果は, ベースラインとしての最適加速射影勾配法と比較しても, その有効性を示した。

関連論文リスト

• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• 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)
• Pilot Contamination Aware Transformer for Downlink Power Control in Cell-Free Massive MIMO Networks [45.487183737784086]
  本稿では,パイロット汚染対応電源制御(PAPC)トランスニューラルネットワークを提案する。 PAPCはパイロットアロケーションデータをネットワークに統合し、パイロット汚染シナリオを効果的に処理する。 PAPCは教師なし学習フレームワークで訓練され、加速近位勾配(APG)アルゴリズムに対して評価される。
  論文  参考訳（メタデータ） (2024-11-28T09:48:52Z)
• Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
  無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。 本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。 本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-15T06:28:21Z)
• Integrating Reinforcement Learning and Model Predictive Control with Applications to Microgrids [14.389086937116582]
  本研究は,有限水平最適制御問題を効率的に解くために,強化学習とモデル予測制御(MPC)を統合するアプローチを提案する。 我々のアプローチは、離散変数の決定を連続変数の決定から切り離すことによってこの問題を軽減することを目的としている。 提案手法では,MPC制御器のオンライン問題を混合整数線形プログラムから線形プログラムへ簡易化する。
  論文  参考訳（メタデータ） (2024-09-17T15:17:16Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Pontryagin Optimal Control via Neural Networks [19.546571122359534]
  我々は,ニューラルネットワークをポントリャーギンの最大原理(PMP)と統合し,NN-PMP-Gradient の効率的なフレームワークを提案する。 結果として生じるコントローラは、未知の複雑な力学を持つシステムに実装することができる。 モデルフリーおよびモデルベース強化学習(RL)アルゴリズムと比較して, NN-PMP-Gradientは, 制御目的の観点から高いサンプル効率と性能を実現する。
  論文  参考訳（メタデータ） (2022-12-30T06:47:03Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。