論文の概要: SCAR: State-Space Compression for AI-Driven Resource Management in 6G-Enabled Vehicular Infotainment Systems

• arxiv url: http://arxiv.org/abs/2508.06243v1
• Date: Fri, 08 Aug 2025 11:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.216197
• Title: SCAR: State-Space Compression for AI-Driven Resource Management in 6G-Enabled Vehicular Infotainment Systems
• Title（参考訳）: SCAR:6G対応車載インフォテインメントシステムにおけるAI駆動型リソース管理のための状態空間圧縮
• Authors: Ioan-Sorin Comsa, Purav Shah, Karthik Vaidhyanathan, Deepak Gangadharan, Christof Imhof, Per Bergamin, Aryan Kaushik, Gabriel-Miro Muntean, Ramona Trestian,
• Abstract要約: 本稿では,車載インフォテイメントにおけるスケジューリングと公平性を最適化するためのSCAR(State-Space Compression for AI-Driven Resource Management)を提案する。 SSCARはMLベースの圧縮技術(クラスタリングやRBFネットワークなど)を用いて、CQIデータサイズを削減し、重要な特徴を保存する。 その結果、SCARベースのクラスタリングはCQIクラスタリングの歪みを10%削減し、その効率性を確認した。
• 参考スコア（独自算出の注目度）: 6.998691152532858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advent of 6G networks opens new possibilities for connected infotainment services in vehicular environments. However, traditional Radio Resource Management (RRM) techniques struggle with the increasing volume and complexity of data such as Channel Quality Indicators (CQI) from autonomous vehicles. To address this, we propose SCAR (State-Space Compression for AI-Driven Resource Management), an Edge AI-assisted framework that optimizes scheduling and fairness in vehicular infotainment. SCAR employs ML-based compression techniques (e.g., clustering and RBF networks) to reduce CQI data size while preserving essential features. These compressed states are used to train 6G-enabled Reinforcement Learning policies that maximize throughput while meeting fairness objectives defined by the NGMN. Simulations show that SCAR increases time in feasible scheduling regions by 14\% and reduces unfair scheduling time by 15\% compared to RL baselines without CQI compression. Furthermore, Simulated Annealing with Stochastic Tunneling (SAST)-based clustering reduces CQI clustering distortion by 10\%, confirming its efficiency. These results demonstrate SCAR's scalability and fairness benefits for dynamic vehicular networks.
• Abstract（参考訳）: 6Gネットワークの出現は、車載環境におけるコネクテッドインフォテインメントサービスの新たな可能性を開く。 しかし、従来の無線資源管理(RRM)技術は、自動運転車からのチャネル品質指標(CQI)のようなデータの量と複雑さの増加に苦慮している。 そこで我々は,車載インフォテインメントのスケジューリングと公平性を最適化するエッジAI支援フレームワークであるSCAR(State-Space Compression for AI-Driven Resource Management)を提案する。 SCARはMLベースの圧縮技術(例えばクラスタリングやRBFネットワーク)を使用して、必須の機能を保持しながらCQIデータサイズを削減する。 これらの圧縮状態は、NGMNが定義する公正度目標を満たしながらスループットを最大化する6G対応強化学習ポリシーの訓練に使用される。 シミュレーションにより、SCARは、CQI圧縮のないRLベースラインと比較して、実行可能なスケジューリング領域の時間を14 %増加させ、不公平なスケジューリング時間を15 %減少させることが示された。 さらに,SAST(Simulated Annealing with Stochastic Tunneling)ベースのクラスタリングは,CQIクラスタリングの歪みを10倍に低減し,その効率性を確認する。 これらの結果は、動的車両ネットワークにおけるSCARのスケーラビリティと公平性の利点を示している。

関連論文リスト

• Auto-Compressing Networks [59.83547898874152]
  本稿では,各層からの付加的な長フィードフォワード接続が従来の短残コネクションに取って代わるアーキテクチャ変種であるAuto-Nets(ACNs)を紹介する。 ACNは、トレーニング中に情報を有機的に圧縮するネットワークの能力である、"auto-compression"(自動圧縮)という独自の特性を示します。 その結果,ACNは残差ネットワークに比べて耐雑音性が向上し,低データ設定性能が向上し,破滅的忘れを軽減できることがわかった。
  論文  参考訳（メタデータ） (2025-06-11T13:26:09Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• An Information Theory-inspired Strategy for Automatic Network Pruning [97.03772272417599]
  深層畳み込みニューラルネットワークは、リソース制約のあるデバイスで圧縮されることがよく知られている。 既存のネットワークプルーニング手法の多くは、人的努力と禁忌な計算資源を必要とする。 本稿では,自動モデル圧縮のための情報理論に基づく戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-19T07:03:22Z)
• Dynamic RAN Slicing for Service-Oriented Vehicular Networks via Constrained Learning [40.5603189901241]
  品質の異なる車両用インターネット(IoV)サービスにおける無線アクセスネットワーク(RAN)スライシング問題について検討する。 無線スペクトルと演算資源を動的に割り当てる動的RANスライシングフレームワークを提案する。 RAWSは,ベンチマークと比較すると,要求を高い確率で満たしながら,システムコストを効果的に削減できることを示す。
  論文  参考訳（メタデータ） (2020-12-03T15:08:38Z)
• Improved Mask-CTC for Non-Autoregressive End-to-End ASR [49.192579824582694]
  マスク予測とコネクショナリズム時間分類(CTC)に基づく最近提案されたエンドツーエンドASRシステム 我々は、最近提案されたConformerアーキテクチャを用いて、ネットワークアーキテクチャを強化することを提案する。 次に、部分的ターゲットシーケンスの長さを予測する補助的目的を導入することによって、新しいトレーニングと復号化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-26T01:22:35Z)
• Deep Reinforcement Learning for Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities [19.723551683930776]
  エッジコントローラ(EC)と協調したフォグノードのクラスタ(FN)に基づくネットワークスライシングモデルを開発する。 クラスタ内の各サービスリクエストに対して、ECは、どのFNがタスクを実行し、エッジでローカルにリクエストをサーブするか、あるいはタスクを拒否し、それをクラウドに参照するかを決定する。 本稿では,最適スライシングポリシーを適応的に学習する深層強化学習(DRL)ソリューションを提案する。
  論文  参考訳（メタデータ） (2020-10-19T23:30:08Z)
• ALF: Autoencoder-based Low-rank Filter-sharing for Efficient Convolutional Neural Networks [63.91384986073851]
  オートエンコーダを用いた低ランクフィルタ共有技術(ALF)を提案する。 ALFは、ネットワークパラメータの70%、オペレーションの61%、実行時間の41%を削減し、精度の低下を最小限にしている。
  論文  参考訳（メタデータ） (2020-07-27T09:01:22Z)
• Deep Learning Assisted CSI Estimation for Joint URLLC and eMBB Resource Allocation [36.364156900974535]
  高速移動車載ネットワークにおける深層学習支援CSI推定手法を提案する。 我々は、車両用ユーザ機器の動的スライシングに基づくリソース割り当て問題を定式化し、解決する。
  論文  参考訳（メタデータ） (2020-03-12T10:00:08Z)

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。