論文の概要: Network-Optimised Spiking Neural Network (NOS) Scheduling for 6G O-RAN: Spectral Margin and Delay-Tail Control

• arxiv url: http://arxiv.org/abs/2510.11291v1
• Date: Mon, 13 Oct 2025 11:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.339852
• Title: Network-Optimised Spiking Neural Network (NOS) Scheduling for 6G O-RAN: Spectral Margin and Delay-Tail Control
• Title（参考訳）: 6G O-RANのネットワーク最適化スパイキングニューラルネットワーク(NOS)スケジューリング:スペクトルマージンと遅延追従制御
• Authors: Muhammad Bilal, Xiaolong Xu,
• Abstract要約: 本研究は,ネットワーク最適化スパイキング(NOS)による6G無線アクセスのための遅延対応スケジューラを提案する。 小信号解析は遅延依存しきい値$k_star(Delta)$とスペクトルマージン$delta = k_star(Delta) - gHrho(W)$を生成し、トポロジ、コントローラゲイン、遅延を1つの設計パラメータに圧縮する。
• 参考スコア（独自算出の注目度）: 7.382006859754025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a Network-Optimised Spiking (NOS) delay-aware scheduler for 6G radio access. The scheme couples a bounded two-state kernel to a clique-feasible proportional-fair (PF) grant head: the excitability state acts as a finite-buffer proxy, the recovery state suppresses repeated grants, and neighbour pressure is injected along the interference graph via delayed spikes. A small-signal analysis yields a delay-dependent threshold $k_\star(\Delta)$ and a spectral margin $\delta = k_\star(\Delta) - gH\rho(W)$ that compress topology, controller gain, and delay into a single design parameter. Under light assumptions on arrivals, we prove geometric ergodicity for $\delta>0$ and derive sub-Gaussian backlog and delay tail bounds with exponents proportional to $\delta$. A numerical study, aligned with the analysis and a DU compute budget, compares NOS with PF and delayed backpressure (BP) across interference topologies over a $5$--$20$\,ms delay sweep. With a single gain fixed at the worst spectral radius, NOS sustains higher utilisation and a smaller 99.9th-percentile delay while remaining clique-feasible on integer PRBs.
• Abstract（参考訳）: 本研究は,ネットワーク最適化スパイキング(NOS)による6G無線アクセスのための遅延対応スケジューラを提案する。 このスキームは、有界二状態カーネルを斜めフェールフェール(PF)付与ヘッドに結合し、励起性状態は有限バッファプロキシとして作用し、回復状態は繰り返し付与を抑制するとともに、干渉グラフに沿って遅延スパイクを介して近傍圧力を注入する。 小信号解析により遅延依存しきい値$k_\star(\Delta)$とスペクトルマージン$\delta = k_\star(\Delta) - gH\rho(W)$が生成される。 到着時の軽い仮定の下では、$\delta>0$ の幾何学的エルゴディディティを証明し、$\delta$ に比例する指数を持つ亜ガウスバックログと遅延テール境界を導出する。 解析とDU計算予算に合わせた数値的な研究は、NOSとPFを比較し、干渉トポロジ間の遅延バックプレッシャ(BP)を5ドル～20ドル/msの遅延スイープで比較した。 最低半径で1つの利得が固定され、NOSは高い利用率と99.9パーセントの遅延を維持できる一方、整数 PRB 上では斜めに維持できる。

関連論文リスト

• DRIFT-Net: A Spectral--Coupled Neural Operator for PDEs Learning [16.6687431452785]
  ニューラルソルバを用いたPDE動的学習のための textbfDRIFT-Net を提案する。 スペクトルブランチとイメージブランチからなるデュアルブランチ設計を採用している。 トレーニング設定と予算は同じで,パラメータが少なく,エラーの低減とスループットの向上を実現している。
  論文  参考訳（メタデータ） (2025-09-29T14:52:31Z)
• Stochastic Approximation with Delayed Updates: Finite-Time Rates under Markovian Sampling [73.5602474095954]
  マルコフサンプリングの遅延更新による近似スキームの非漸近的性能について検討した。 我々の理論的な発見は、幅広いアルゴリズムの遅延の有限時間効果に光を当てた。
  論文  参考訳（メタデータ） (2024-02-19T03:08:02Z)
• Towards Understanding the Generalizability of Delayed Stochastic Gradient Descent [63.43247232708004]
  非同期で実行される勾配降下は、大規模機械学習モデルのトレーニングにおいて重要な役割を果たす。 既存の一般化誤差境界は悲観的であり、非同期遅延と一般化の相関を明らかにすることはできない。 我々の理論的結果は、非同期遅延は遅延SGDアルゴリズムの一般化誤差を低減することを示唆している。
  論文  参考訳（メタデータ） (2023-08-18T10:00:27Z)
• Non-stationary Online Convex Optimization with Arbitrary Delays [50.46856739179311]
  本稿では,非定常環境における遅延オンライン凸最適化(OCO)について検討する。 まず, 遅延勾配の勾配降下ステップを, 到着順に応じて行う単純なアルゴリズム, DOGDを提案する。 DOGDが達成した動的後悔境界を$O(sqrtbardT(P_T+1))$に削減する改良アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-05-20T07:54:07Z)
• Adapting to Delays and Data in Adversarial Multi-Armed Bandits [7.310043452300736]
  決定時に利用可能な情報のみを用いてステップサイズを調整するExp3アルゴリズムの変種を分析する。 我々は、観測された(最悪の場合ではなく)遅延や損失のシーケンスに適応する後悔の保証を得る。
  論文  参考訳（メタデータ） (2020-10-12T20:53:52Z)

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。