論文の概要: GCN-Driven Reinforcement Learning for Probabilistic Real-Time Guarantees in Industrial URLLC

• arxiv url: http://arxiv.org/abs/2506.15011v1
• Date: Tue, 17 Jun 2025 22:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.500254
• Title: GCN-Driven Reinforcement Learning for Probabilistic Real-Time Guarantees in Industrial URLLC
• Title（参考訳）: 産業用URLLCにおける確率的リアルタイム保証のためのGCN駆動強化学習
• Authors: Eman Alqudah, Ashfaq Khokhar,
• Abstract要約: 我々は,Deep Q-Network(DQN)強化学習フレームワークと統合されたグラフ畳み込みネットワーク(GCN)を導入することにより,ローカルデッドライン分割(LDP)アルゴリズムを強化する。 我々は,GCN-DQNモデルにより,3つのネットワーク構成において,平均SINRが179.6%,197.4%,LDPが175.2%向上したことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ensuring packet-level communication quality is vital for ultra-reliable, low-latency communications (URLLC) in large-scale industrial wireless networks. We enhance the Local Deadline Partition (LDP) algorithm by introducing a Graph Convolutional Network (GCN) integrated with a Deep Q-Network (DQN) reinforcement learning framework for improved interference coordination in multi-cell, multi-channel networks. Unlike LDP's static priorities, our approach dynamically learns link priorities based on real-time traffic demand, network topology, remaining transmission opportunities, and interference patterns. The GCN captures spatial dependencies, while the DQN enables adaptive scheduling decisions through reward-guided exploration. Simulation results show that our GCN-DQN model achieves mean SINR improvements of 179.6\%, 197.4\%, and 175.2\% over LDP across three network configurations. Additionally, the GCN-DQN model demonstrates mean SINR improvements of 31.5\%, 53.0\%, and 84.7\% over our previous CNN-based approach across the same configurations. These results underscore the effectiveness of our GCN-DQN model in addressing complex URLLC requirements with minimal overhead and superior network performance.
• Abstract（参考訳）: 大規模産業無線ネットワークにおける超信頼性,低遅延通信(URLLC)には,パケットレベルの通信品質の確保が不可欠である。 マルチセル・マルチチャネルネットワークにおける干渉調整を改善するために,DQN(Deep Q-Network)強化学習フレームワークと統合したグラフ畳み込みネットワーク(GCN)を導入して,ローカルデッドライン分割(LDP)アルゴリズムを強化した。 LDPの静的優先度とは異なり、我々の手法はリアルタイムトラフィック需要、ネットワークトポロジ、送信機会の残量、干渉パターンに基づいてリンク優先度を動的に学習する。 GCNは空間的依存関係をキャプチャし、DQNは報酬誘導探索による適応的なスケジューリング決定を可能にする。 シミュレーションの結果,GCN-DQN モデルでは 3 つのネットワーク構成で LDP よりも 179.6 %, 197.4 %, 175.2 % の SINR の改善が達成されている。 さらに、GCN-DQN モデルでは、SINR が 31.5\%、53.0\%、84.7\% に改善されていることを示す。 これらの結果は, オーバーヘッドを最小化し, ネットワーク性能に優れた複雑な URLLC 要求に対処する GCN-DQN モデルの有効性を裏付けるものである。

関連論文リスト

• CNN-Enabled Scheduling for Probabilistic Real-Time Guarantees in Industrial URLLC [0.0]
  マルチセル・マルチチャネルネットワークにおける干渉調整の改善を目的としたCNNに基づく動的優先度予測機構を提案する。 3つのネットワーク構成で最大113%,94%,49%のSINR増加を示す。
  論文  参考訳（メタデータ） (2025-06-17T21:40:19Z)
• Opportunistic Routing in Wireless Communications via Learnable State-Augmented Policies [7.512221808783587]
  本稿では,大規模無線通信ネットワークにおけるパケットベースの情報ルーティングの課題に対処する。 機会的ルーティングは、無線通信の放送特性を利用して、最適な転送ノードを動的に選択する。 ネットワーク内のソースノードが処理する全情報の最大化を目的とした,状態拡張(SA)に基づく分散最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-05T18:44:56Z)
• Learning Load Balancing with GNN in MPTCP-Enabled Heterogeneous Networks [13.178956651532213]
  本稿では,MP TCP 対応 HetNet の LB 問題に対処するグラフニューラルネットワーク (GNN) モデルを提案する。 従来のディープニューラルネットワーク(DNN)と比較して、提案したGNNベースのモデルには2つの重要な長所がある。
  論文  参考訳（メタデータ） (2024-10-22T15:49:53Z)
• Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks [16.0018681576301]
  我々はQuantile-Constrained Inference (QIC)と呼ばれる新しいアルゴリズム戦略を提案する。 QICは、上記のシステムのすべての側面について、共同で高品質で迅速な決定を行います。 結果,QICは最適値と一致し,選択肢を80%以上上回っていることを確認した。
  論文  参考訳（メタデータ） (2024-10-22T06:12:04Z)
• SPARQ: Efficient Entanglement Distribution and Routing in Space-Air-Ground Quantum Networks [50.91365514137301]
  宇宙空間量子(SPARQ)ネットワークは、シームレスなオンデマンドの絡み合い分布を提供する手段として開発された。 SPARQの複数のグラフ上でディープQネットワーク(DQN)を用いて深層強化学習フレームワークを提案し,訓練した。 通信相手間の絡み合いを確立するために,サードパーティの絡み合い分散政策を提案する。
  論文  参考訳（メタデータ） (2024-09-19T16:31:37Z)
• SINR-Aware Deep Reinforcement Learning for Distributed Dynamic Channel Allocation in Cognitive Interference Networks [10.514231683620517]
  本稿では,複数の大規模ネットワークによるキャリヤ間干渉(ICI)とチャネル再利用を経験する実世界のシステムに焦点を当てる。 CARLTON(Channel Allocation RL To Overlapped Networks)と呼ばれる分散DCAのための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。 本結果は,従来の最先端手法に比べて優れた効率性を示し,優れた性能とロバストな一般化を示した。
  論文  参考訳（メタデータ） (2024-02-17T20:03:02Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• STDPG: A Spatio-Temporal Deterministic Policy Gradient Agent for Dynamic Routing in SDN [6.27420060051673]
  ソフトウェア定義ネットワーク(SDN)における動的ルーティングは、集中的な意思決定問題と見なすことができる。 本稿では,SDNにおける動的ルーティングのための新しいモデルフリーフレームワークを提案する。 STDPGは、平均的なエンドツーエンド遅延の観点から、より良いルーティングソリューションを実現する。
  論文  参考訳（メタデータ） (2020-04-21T07:19:07Z)
• Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G [53.23237216769839]
  本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。 完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。 無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
  論文  参考訳（メタデータ） (2020-03-29T04:48:22Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)

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。