論文の概要: Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks

• arxiv url: http://arxiv.org/abs/2509.19340v1
• Date: Tue, 16 Sep 2025 08:48:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.491684
• Title: Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks
• Title（参考訳）: 流体アンテナ支援MECネットワークにおける結合チャネル推定と計算負荷
• Authors: Ying Ju, Mingdong Li, Haoyu Wang, Lei Liu, Youyang Qu, Mianxiong Dong, Victor C. M. Leung, Chau Yuen,
• Abstract要約: チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。 提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
• 参考スコア（独自算出の注目度）: 81.36647816787713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the emergence of fluid antenna (FA) in wireless communications, the capability to dynamically adjust port positions offers substantial benefits in spatial diversity and spectrum efficiency, which are particularly valuable for mobile edge computing (MEC) systems. Therefore, we propose an FA-assisted MEC offloading framework to minimize system delay. This framework faces two severe challenges, which are the complexity of channel estimation due to dynamic port configuration and the inherent non-convexity of the joint optimization problem. Firstly, we propose Information Bottleneck Metric-enhanced Channel Compressed Sensing (IBM-CCS), which advances FA channel estimation by integrating information relevance into the sensing process and capturing key features of FA channels effectively. Secondly, to address the non-convex and high-dimensional optimization problem in FA-assisted MEC systems, which includes FA port selection, beamforming, power control, and resource allocation, we propose a game theory-assisted Hierarchical Twin-Dueling Multi-agent Algorithm (HiTDMA) based offloading scheme, where the hierarchical structure effectively decouples and coordinates the optimization tasks between the user side and the base station side. Crucially, the game theory effectively reduces the dimensionality of power control variables, allowing deep reinforcement learning (DRL) agents to achieve improved optimization efficiency. Numerical results confirm that the proposed scheme significantly reduces system delay and enhances offloading performance, outperforming benchmarks. Additionally, the IBM-CCS channel estimation demonstrates superior accuracy and robustness under varying port densities, contributing to efficient communication under imperfect CSI.
• Abstract（参考訳）: 無線通信における流体アンテナ(FA)の出現に伴い、ポート位置を動的に調整する能力は、特に移動エッジコンピューティング(MEC)システムにおいて、空間的多様性とスペクトル効率において大きなメリットをもたらす。 そこで本研究では,システム遅延を最小限に抑えるためのFA支援MECオフロードフレームワークを提案する。 このフレームワークは、動的ポート構成によるチャネル推定の複雑さと、共同最適化問題の本質的に非凸性という2つの深刻な課題に直面している。 まず,情報関連性を検知プロセスに統合し,FAチャネルの重要な特徴を効果的に捉えることにより,FAチャネル推定を推し進めるインフォメーション・ボトルネック・メトリック・エンハンスド・チャネル圧縮センシング(IBM-CCS)を提案する。 次に, FAポート選択, ビームフォーミング, パワーコントロール, 資源配分を含む, FA支援MECシステムにおける非凸・高次元最適化問題に対処するため, 階層構造がユーザ側と基地局側の最適化タスクを効果的に分離・コーディネートする, 階層型ツインダウリングマルチエージェントアルゴリズム(HiTDMA)に基づくオフロード方式を提案する。 重要なことに、ゲーム理論は電力制御変数の次元性を効果的に低減し、深層強化学習(DRL)エージェントが最適化効率を向上させることができる。 シミュレーションの結果,提案手法はシステム遅延を著しく低減し,オフロード性能を向上し,ベンチマーク性能が向上することを確認した。 さらに、IBM-CCSチャネル推定では、ポート密度の異なる場合の精度と堅牢性が向上し、不完全なCSI下での効率的な通信に寄与する。

関連論文リスト

• Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
  統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。 本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
  論文  参考訳（メタデータ） (2025-07-12T17:11:06Z)
• Beamforming and Resource Allocation for Delay Minimization in RIS-Assisted OFDM Systems [38.71413228444903]
  本稿では、ダウンリンク再構成可能なインテリジェントサーフェス(RIS)支援OFDMシステムにおけるビームフォーミングと資源配分の問題について検討する。 混合作用空間を効果的に処理し, 状態空間次元を低減するために, ハイブリッド深部強化学習(DRL)手法を提案する。 提案アルゴリズムは, 平均遅延を著しく低減し, 資源配分効率を向上し, システムの堅牢性と公平性を向上する。
  論文  参考訳（メタデータ） (2025-06-04T05:33:33Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)

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。