論文の概要: A Reinforcement Learning Approach for RIS-aided Fair Communications

• arxiv url: http://arxiv.org/abs/2506.06344v2
• Date: Wed, 11 Jun 2025 07:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 02:07:43.263407
• Title: A Reinforcement Learning Approach for RIS-aided Fair Communications
• Title（参考訳）: RIS支援フェアコミュニケーションのための強化学習アプローチ
• Authors: Alex Pierron, Michel Barbeau, Luca De Cicco, Jose Rubio-Hernan, Joaquin Garcia-Alfaro,
• Abstract要約: 再構成可能なインテリジェントサーフェス(RIS)は、電磁波特性を動的に変化させ、ビームフォーミングを強化する物理要素で構成されている。 本稿では,複数の正則UEユニットに対して,効率的かつ公平なRIS-RLシステムを実現するための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 1.3859182212825962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconfigurable Intelligent Surfaces (RISs) are composed of physical elements that can dynamically alter electromagnetic wave properties to enhance beamforming and leading to improvements in areas with low coverage properties. They have the potential to be combined with Reinforcement Learning (RL) techniques to achieve network performance and energy efficiency via optimization techniques. In addition to performance and energy improvements, it is also crucial to consider the concept of fair communications. RISs must ensure that User Equipment (UE) units receive their signals with adequate strength, without other UE being deprived of service due to insufficient power. In this paper, we address such a problem. We explore the fairness properties of previous work and propose a novel method that aims at obtaining an efficient and fair duplex RIS-RL system for multiple legitimate UE units. We report and discuss our experimental work and simulation results. We also release our code and datasets to foster further research in the topic.
• Abstract（参考訳）: 再構成可能なインテリジェントサーフェス(RIS)は、電磁波特性を動的に変化させ、ビームフォーミングを強化し、カバー特性の低い領域の改善をもたらす物理要素で構成されている。 それらは、最適化技術を介してネットワーク性能とエネルギー効率を達成するために強化学習(RL)技術と組み合わせられる可能性がある。 性能とエネルギーの改善に加えて、公正なコミュニケーションの概念を考えることも重要である。 RISは、ユーザ機器(UE)ユニットが十分な強度で信号を受信することを保証する必要がある。 本稿ではそのような問題に対処する。 本稿では,先行研究の公正性について検討し,複数の正則UEユニットに対して効率的かつ公平なRIS-RLシステムを実現するための新しい手法を提案する。 実験結果とシミュレーション結果について報告する。 また、このトピックに関するさらなる研究を促進するために、コードとデータセットもリリースしています。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Federated Deep Reinforcement Learning for Energy Efficient Multi-Functional RIS-Assisted Low-Earth Orbit Networks [14.638758375246642]
  低地球軌道(LEO)に多機能再構成可能な知的表面(MF-RIS)を配置する新しいネットワークアーキテクチャを提案する。 信号反射のみを持つ従来のRISとは異なり、MF-RISは信号の反射、増幅、収穫を行うことができる。 提案するLEO-MF-RISアーキテクチャの有効性を示す。
  論文  参考訳（メタデータ） (2025-01-19T15:31:05Z)
• Federated Learning With Energy Harvesting Devices: An MDP Framework [5.852486435612777]
  フェデレートラーニング(FL)では、エッジデバイスがローカルトレーニングを実行し、パラメータサーバと情報を交換する必要がある。 実用FLシステムにおける重要な課題は、バッテリ限定エッジ装置の急激なエネルギー枯渇である。 FLシステムにエネルギー回収技術を適用し, エッジデバイスを連続的に駆動する環境エネルギーを抽出する。
  論文  参考訳（メタデータ） (2024-05-17T03:41:40Z)
• A Safe Deep Reinforcement Learning Approach for Energy Efficient Federated Learning in Wireless Communication Networks [37.71759652012053]
  Federated Learning(FL)は、分散AI技術を保存する重要なプライバシとして登場した。 現在FLで行われている努力にもかかわらず、その環境への影響は依然として未解決の問題である。 本稿では,必要な総エネルギーを最小化するために,関連機器の計算・通信資源のオーケストレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-21T12:02:54Z)
• Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between Convergence and Power Transfer [42.30741737568212]
  無線電力伝送(WPT)を用いた電力機器の解法を提案する。 本研究の目的は、無線で駆動するFEEL(WP-FEEL)システムの導入に関するガイドラインの導出である。 その結果、WPTプロビジョニングに関する有用なガイドラインを提供し、学習パフォーマンスの保証を提供します。
  論文  参考訳（メタデータ） (2021-02-24T15:47:34Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)
• Phase Configuration Learning in Wireless Networks with Multiple Reconfigurable Intelligent Surfaces [50.622375361505824]
  RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。 RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。 RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
  論文  参考訳（メタデータ） (2020-10-09T05:35:27Z)
• 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)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。