論文の概要: Agentic DDQN-Based Scheduling for Licensed and Unlicensed Band Allocation in Sidelink Networks
- arxiv url: http://arxiv.org/abs/2509.06775v1
- Date: Mon, 08 Sep 2025 14:58:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-16 15:23:16.422773
- Title: Agentic DDQN-Based Scheduling for Licensed and Unlicensed Band Allocation in Sidelink Networks
- Title（参考訳）: サイドリンクネットワークにおける無許可帯域割り当てのためのエージェントDDQNに基づくスケジューリング
- Authors: Po-Heng Chou, Pin-Qi Fu, Walid Saad, Li-Chun Wang,
- Abstract要約: 本稿では,ニューラジオ(NR)サイドリンク(SL)ネットワークにおけるライセンス及び未ライセンス帯域割り当てのためのエージェント人工知能(AI)駆動のDouble Deep Q-network(DDQN)スケジューリングフレームワークを提案する。
SLは、携帯電話通信(CC)や未ライセンスのバンドとWi-Fiを共用しなければならない。
エージェントスケジューラは、待ち行列、チャネル条件、共存状態を自律的に知覚し、QoS(Quality-of-Service)を維持するためのポリシーを適用する
- 参考スコア（独自算出の注目度）: 37.89031907489481
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an agentic artificial intelligence (AI)-driven double deep Q-network (DDQN) scheduling framework for licensed and unlicensed band allocation in New Radio (NR) sidelink (SL) networks. SL must share licensed spectrum with cellular communications (CC) and unlicensed bands with Wi-Fi, posing significant challenges for coexistence. Unlike prior rule-based or threshold-based methods, the proposed agentic scheduler autonomously perceives queueing dynamics, channel conditions, and coexistence states, and adapts its policy to maintain quality-of-service (QoS). Simulation results show that our framework reduces the blocking rate by up to 87.5% compared to threshold-based scheduling under limited licensed bandwidth. These findings demonstrate the potential of Agentic AI to enable stable, QoS-aware, and adaptive scheduling for future NR SL systems.
- Abstract（参考訳）: 本稿では,ニューラジオ(NR)サイドリンク(SL)ネットワークにおけるライセンス及び未ライセンス帯域割り当てのためのエージェント人工知能(AI)駆動のDouble Deep Q-network(DDQN)スケジューリングフレームワークを提案する。
SLは、携帯電話通信(CC)や未ライセンスのバンドとWi-Fiを共用しなければならない。
従来のルールベースやしきい値ベースの手法とは異なり、提案するエージェントスケジューラは待ち行列、チャネル条件、共存状態を自律的に知覚し、そのポリシーをQoS(Quality-of-Service)に適合させる。
シミュレーションの結果, 限られた帯域幅でのしきい値に基づくスケジューリングと比較して, ブロッキング率を87.5%まで削減できることがわかった。
これらの結果は,将来のNR SLシステムに対して,安定したQoS認識と適応スケジューリングを実現するためのエージェントAIの可能性を示している。
関連論文リスト
- Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks (Journal Version) [50.894272363373126]
密接な接続を特徴とする無線ネットワークでは、分散リンクスケジューリングアルゴリズムによって発生する重要な信号のオーバーヘッドは、混雑、エネルギー消費、無線フットプリント拡張といった問題を悪化させる可能性がある。
ネットワーク容量を維持しながら遅延耐性トラフィックのスケジューリングオーバーヘッドを低減するために,グラフニューラルネットワーク(GNN)を用いた分散リンクスカラー化方式を提案する。
GNNモジュールは、トラフィック統計とネットワークトポロジに基づいて、個々のリンクに対する競合しきい値を調整するように訓練されており、成功しそうもない場合には、リンクがスケジュール競合から撤退することを可能にする。
論文 参考訳（メタデータ） (2025-09-05T18:59:14Z) - Entanglement Request Scheduling in Quantum Networks Using Deep Q-Network [3.1856756516735936]
量子リピータネットワークにおける絡み合い要求の遅延時間と公平性を最適化するために,新しいQ-Network (DQN) ベースのスケジューリング手法を提案する。
提案手法は,Greedy,Proportional Fair,FIFOスケジューリング方式と比較して高い性能を示す。
論文 参考訳（メタデータ） (2025-05-18T15:32:21Z) - ReinWiFi: Application-Layer QoS Optimization of WiFi Networks with Reinforcement Learning [6.566362478263619]
分散チャネルアクセス(EDCA)メカニズムは、特定の品質・オブ・サービス(QoS)目標、ネットワークトポロジ、干渉レベルに適応できない。
本稿では,新しい強化学習に基づくスケジューリングフレームワークを提案し,実装した。
提案手法はEDCA機構よりもはるかに優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2024-05-06T14:44:06Z) - Matching Game for Optimized Association in Quantum Communication
Networks [65.16483325184237]
本稿では,量子スイッチのためのスワップスタブルな要求-QSアソシエーションアルゴリズムを提案する。
サービスされた要求の割合で、ほぼ最適(5%)のパフォーマンスを達成する。
QCNのサイズが大きくなると、スケーラビリティが向上し、ほぼ最適性能を維持することが示されている。
論文 参考訳（メタデータ） (2023-05-22T03:39:18Z) - 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) - Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。
深層強化学習(DRL)に基づくフレームワークを開発した。
DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
論文 参考訳（メタデータ） (2021-09-26T11:27:12Z) - QoS-Aware Scheduling in New Radio Using Deep Reinforcement Learning [2.3857747529378917]
NRネットワークのためのQA-Aware Deep Reinforcement Learning Agent (QADRA)スケジューラを提案する。
評価シナリオとして,QADRAスケジューラはネットワークのスループットを30%向上すると同時に,ユーザの満足度を同時に維持する。
論文 参考訳（メタデータ） (2021-07-14T09:18:39Z) - Bayesian Nonparametric Modelling for Model-Free Reinforcement Learning
in LTE-LAA and Wi-Fi Coexistence [2.8427946758947304]
この研究は、Wi-FiとLTEライセンスアクセス(LTE-LAA)エージェントの5GHz帯の共存に対処する非パラメトリックベイズ強化学習アルゴリズムを特徴とする。
報酬関数に公正度尺度を導入し、エージェント間の公平な共有を促進する。
論文 参考訳（メタデータ） (2021-07-06T07:11:34Z) - Multi-Armed Bandit Based Client Scheduling for Federated Learning [91.91224642616882]
統合学習(FL)は、通信オーバーヘッドの低減やデータのプライバシの保護など、ユビキタスな特性を特徴とする。
FLの各通信ラウンドでは、クライアントは自身のデータに基づいてローカルモデルを更新し、無線チャネル経由でローカル更新をアップロードする。
本研究は、無線チャネルの状態情報やクライアントの統計的特性を知ることなく、FLにおけるオンラインクライアントスケジューリング(CS)のためのマルチアームバンディットベースのフレームワークを提供する。
論文 参考訳（メタデータ） (2020-07-05T12:32:32Z)
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。