論文の概要: Agentic DDQN-Based Scheduling for Licensed and Unlicensed Band Allocation in Sidelink Networks

• arxiv url: http://arxiv.org/abs/2509.06775v3
• Date: Mon, 22 Sep 2025 19:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 18:29:14.519831
• 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: 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/ライセンスバンド割り当てのためのエージェントダブルディープQネットワーク(DDQN)スケジューラを提案する。 キャパシティを意識したQoS(Quality of Service)制約付き報酬は、静的なしきい値付けよりも目標指向のスケジューリングに適合する。
• 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: In this paper, we present an agentic double deep Q-network (DDQN) scheduler for licensed/unlicensed band allocation in New Radio (NR) sidelink (SL) networks. Beyond conventional reward-seeking reinforcement learning (RL), the agent perceives and reasons over a multi-dimensional context that jointly captures queueing delay, link quality, coexistence intensity, and switching stability. A capacity-aware, quality of service (QoS)-constrained reward aligns the agent with goal-oriented scheduling rather than static thresholding. Under constrained bandwidth, the proposed design reduces blocking by up to 87.5% versus threshold policies while preserving throughput, highlighting the value of context-driven decisions in coexistence-limited NR SL networks. The proposed scheduler is an embodied agent (E-agent) tailored for task-specific, resource-efficient operation at the network edge.
• 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/ライセンスバンド割り当てのためのエージェントダブルディープQネットワーク(DDQN)スケジューラを提案する。 従来の報酬探索強化学習(RL)以外にも、エージェントは待ち行列の遅延、リンク品質、共存強度、スイッチング安定性を共同でキャプチャする多次元コンテキストについて、その要因を認識している。 キャパシティを意識したQoS(Quality of Service)制約付き報酬は、静的なしきい値付けよりも目標指向のスケジューリングに適合する。 帯域制限下では、スループットを保ちながら、ブロックを87.5%まで削減し、共存制限のNR SLネットワークにおけるコンテキスト駆動決定の価値を強調した。 提案するスケジューラは,ネットワークエッジでのタスク固有かつ資源効率の高い操作に適したエンボディエージェント(Eエージェント)である。

関連論文リスト

• High-Fidelity Network Management for Federated AI-as-a-Service: Cross-Domain Orchestration [0.12234742322758417]
  本稿では,Tail-Risk Envelopes(TRE)に基づく保証指向AI管理プレーンを提案する。 TREは、決定論的ガードレールとレート・レイテンシ・インペアメントモデルを組み合わせた、ドメインごとの構成可能な記述子に署名される。 テナントレベルの予約は,TRE契約下でのテール遅延の増大を防止する。
  論文  参考訳（メタデータ） (2026-02-17T00:40:04Z)
• Hierarchical Online-Scheduling for Energy-Efficient Split Inference with Progressive Transmission [23.81409473238433]
  Deep Neural Networks(DNN)によるデバイスエッジのコラボレーティブ推論は、精度、レイテンシ、エネルギー消費の基本的なトレードオフに直面している。 本稿では,ENACHI という名前の分割推論のための新しいエネルギー精度階層型最適化フレームワークを提案する。 ImageNetデータセットの実験では、ENACHIはさまざまな期限と帯域幅で最先端のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2026-01-13T01:56:46Z)
• QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
  宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。 本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
  論文  参考訳（メタデータ） (2025-12-17T06:22:46Z)
• 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)
• Intent-Aware DRL-Based NOMA Uplink Dynamic Scheduler for IIoT [30.146175299047325]
  産業用インターネット・オブ・モノのユーザ機器(IIoT UE)を意図的(QoS要求品質)とランダムなトラフィック到着で支援する問題について検討する。 利用可能な通信資源のスケジューリング方法を学ぶために,DRLに基づく時間周波数リソースの集中型動的スケジューラを提案する。
  論文  参考訳（メタデータ） (2024-03-27T08:57:15Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• 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)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via Conformal Prediction [72.59079526765487]
  アップリンクにおける超信頼性・低遅延トラフィック(URLLC)の動的スケジューリングは、既存のサービスの効率を大幅に向上させることができる。 主な課題は、URLLCパケット生成のプロセスにおける不確実性である。 本稿では,URLLC トラフィック予測器の品質に関わらず,信頼性と遅延を保証した新しい URLLC パケットスケジューラを提案する。
  論文  参考訳（メタデータ） (2023-02-15T14:09:55Z)
• 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。