論文の概要: CHOMET: Conditional Handovers via Meta-Learning

• arxiv url: http://arxiv.org/abs/2507.07581v1
• Date: Thu, 10 Jul 2025 09:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.342083
• Title: CHOMET: Conditional Handovers via Meta-Learning
• Title（参考訳）: CHOMET:メタラーニングによる条件付きハンドオーバ
• Authors: Michail Kalntis, Fernando A. Kuipers, George Iosifidis,
• Abstract要約: ハンドオーバ(HO)は、多数の多様なモバイルユーザーとのシームレスな接続を可能にする、現代の携帯電話ネットワークの基盤である。 モバイルネットワークがより多様なユーザや小さなセルと複雑化するにつれ、従来のHOは遅延の延長や障害の増加といった重大な課題に直面している。 本稿では,CHO最適化にメタラーニングを利用するO-RANパラダイムに沿った新しい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）: 55.08287089554127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Handovers (HOs) are the cornerstone of modern cellular networks for enabling seamless connectivity to a vast and diverse number of mobile users. However, as mobile networks become more complex with more diverse users and smaller cells, traditional HOs face significant challenges, such as prolonged delays and increased failures. To mitigate these issues, 3GPP introduced conditional handovers (CHOs), a new type of HO that enables the preparation (i.e., resource allocation) of multiple cells for a single user to increase the chance of HO success and decrease the delays in the procedure. Despite its advantages, CHO introduces new challenges that must be addressed, including efficient resource allocation and managing signaling/communication overhead from frequent cell preparations and releases. This paper presents a novel framework aligned with the O-RAN paradigm that leverages meta-learning for CHO optimization, providing robust dynamic regret guarantees and demonstrating at least 180% superior performance than other 3GPP benchmarks in volatile signal conditions.
• Abstract（参考訳）: ハンドオーバ(HO)は、多数の多様なモバイルユーザーとのシームレスな接続を可能にする、現代の携帯電話ネットワークの基盤である。 しかし、モバイルネットワークがより多様なユーザや小さなセルと複雑化するにつれ、従来のHOは遅延の延長や障害の増加といった重大な課題に直面している。 これらの問題を緩和するために、3GPPは条件付きハンドオーバ(CHO)を導入した。これは、単一のユーザに対して複数のセル(すなわちリソース割り当て)を用意して、HO成功率を高め、手順の遅延を低減できる新しいタイプのHOである。 その利点にもかかわらず、CHOは、効率的なリソース割り当てや、頻繁なセルの準備やリリースからのシグナルや通信のオーバーヘッドの管理など、対処しなければならない新しい課題を導入している。 本稿では,CHO最適化にメタラーニングを取り入れたO-RANパラダイムに則った新しいフレームワークを提案し,動的後悔を保証するとともに,揮発性信号条件下での他の3GPPベンチマークよりも少なくとも180%優れた性能を示す。

関連論文リスト

• Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
  AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。 このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。 本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
  論文  参考訳（メタデータ） (2025-02-17T03:05:20Z)
• Smooth Handovers via Smoothed Online Learning [48.953313950521746]
  まず、欧州の商用モバイルネットワークオペレータ(MNO)から4000万人以上のユーザを対象に、HOに対する重要な特徴とパフォーマンスへの影響を理解し、明らかにするために、広範なデータセットを分析した。 本研究は, HO故障/遅延と無線セルとエンドユーザーデバイスの特徴の相関関係を明らかにする。 本稿では,HO最適化にデバイスとセルの機能を組み込むことで,既存のアプローチを拡張したスムーズで高精度なHOのための現実的なシステムモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-14T13:16:33Z)
• A Green Multi-Attribute Client Selection for Over-The-Air Federated Learning: A Grey-Wolf-Optimizer Approach [5.277822313069301]
  OTA(Over-the-air)FLは、デバイス間直接接続や集中型サーバを使わずにモデルアップデートを広めることによって、これらの課題に対処するために導入された。 OTA-FLは、エネルギー消費の増大とネットワーク遅延の制限を引き起こした。 本稿では,グレイオオカミ(GWO)を用いた多属性クライアント選択フレームワークを提案し,各ラウンドの参加者数を戦略的に制御する。
  論文  参考訳（メタデータ） (2024-09-16T20:03:57Z)
• Predictive Handover Strategy in 6G and Beyond: A Deep and Transfer Learning Approach [11.44410301488549]
  本稿では,将来的なサービスセル予測のためのディープラーニングに基づくアルゴリズムを提案する。 我々のフレームワークはO-RAN仕様に準拠しており、Near-Real-Time RAN Intelligent Controllerにデプロイできます。
  論文  参考訳（メタデータ） (2024-04-11T20:30:36Z)
• 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)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Distributed Deep Reinforcement Learning for Functional Split Control in Energy Harvesting Virtualized Small Cells [3.8779763612314624]
  モバイルネットワークオペレータ(MNO)は、小さなセルの密度の高いインフラストラクチャをデプロイしている。 これにより、モバイルネットワークの消費電力が増加し、環境に影響を及ぼす。 本稿では,エネルギー回収装置と充電式電池を備えた周辺小セルのネットワークについて考察する。
  論文  参考訳（メタデータ） (2020-08-07T12:27:01Z)
• Fast Adaptive Task Offloading in Edge Computing based on Meta Reinforcement Learning [44.81038225683222]
  マルチアクセスエッジコンピューティング(MEC)は、クラウドサービスをネットワークエッジに拡張して、ネットワークトラフィックとサービスレイテンシを低減することを目的としている。 MECの基本的な問題は、モバイルアプリケーションの異種タスクをユーザ機器(UE)からMECホストに効率的にオフロードする方法である。 本稿では,メタ強化学習に基づくタスクオフロード手法を提案する。
  論文  参考訳（メタデータ） (2020-08-05T10:16:25Z)
• Communication Efficient Federated Learning with Energy Awareness over Wireless Networks [51.645564534597625]
  フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。 我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。 2つの最適化問題を定式化し、学習性能を最適化する。 FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-15T21:25:13Z)

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。