論文の概要: A Reinforcement Learning Framework for Resource Allocation in Uplink Carrier Aggregation in the Presence of Self Interference

• arxiv url: http://arxiv.org/abs/2511.17931v1
• Date: Sat, 22 Nov 2025 06:06:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.521878
• Title: A Reinforcement Learning Framework for Resource Allocation in Uplink Carrier Aggregation in the Presence of Self Interference
• Title（参考訳）: 自己干渉の有無を考慮したアグリゲーションにおける資源配分のための強化学習フレームワーク
• Authors: Jaswanth Bodempudi, Batta Siva Sairam, Madepalli Haritha, Sandesh Rao Mattu, Ananthanarayanan Chockalingam,
• Abstract要約: キャリアアグリゲーション(Carrier aggregate)は、モバイルネットワークが複数のキャリアを組み合わせることで、ユーザデータレートを向上するテクニックである。 非線型性による自己干渉の制約を伴って、アップリンクキャリア集約問題を最適な資源配分問題としてモデル化する。 本稿では,提案したCA2Cアルゴリズムが効率よくSIを扱えるようにするために重要な新しい報酬関数を提案する。
• 参考スコア（独自算出の注目度）: 0.24629531282150877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Carrier aggregation (CA) is a technique that allows mobile networks to combine multiple carriers to increase user data rate. On the uplink, for power constrained users, this translates to the need for an efficient resource allocation scheme, where each user distributes its available power among its assigned uplink carriers. Choosing a good set of carriers and allocating appropriate power on the carriers is important. If the carrier allocation on the uplink is such that a harmonic of a user's uplink carrier falls on the downlink frequency of that user, it leads to a self coupling-induced sensitivity degradation of that user's downlink receiver. In this paper, we model the uplink carrier aggregation problem as an optimal resource allocation problem with the associated constraints of non-linearities induced self interference (SI). This involves optimization over a discrete variable (which carriers need to be turned on) and a continuous variable (what power needs to be allocated on the selected carriers) in dynamic environments, a problem which is hard to solve using traditional methods owing to the mixed nature of the optimization variables and the additional need to consider the SI constraint. We adopt a reinforcement learning (RL) framework involving a compound-action actor-critic (CA2C) algorithm for the uplink carrier aggregation problem. We propose a novel reward function that is critical for enabling the proposed CA2C algorithm to efficiently handle SI. The CA2C algorithm along with the proposed reward function learns to assign and activate suitable carriers in an online fashion. Numerical results demonstrate that the proposed RL based scheme is able to achieve higher sum throughputs compared to naive schemes. The results also demonstrate that the proposed reward function allows the CA2C algorithm to adapt the optimization both in the presence and absence of SI.
• Abstract（参考訳）: キャリアアグリゲーション(CA)は、モバイルネットワークが複数のキャリアを組み合わせることでユーザデータレートを向上する技術である。 アップリンクでは、電力制約のあるユーザに対しては、各ユーザが割り当てられたアップリンクキャリア間で利用可能な電力を分配する効率的なリソース割り当てスキームが必要である。 優れたキャリアを選択し、適切なパワーをキャリアに割り当てることが重要です。 アップリンク上のキャリア割り当てが、ユーザのアップリンクキャリアの高調波がそのユーザのダウンリンク周波数に落ちるようなものである場合、それは、ユーザのダウンリンク受信機の自己結合による感度低下につながる。 本稿では、非線形自己干渉(SI)の制約を伴って、アップリンクキャリア集約問題を最適資源配分問題としてモデル化する。 これには、動的環境における離散変数(キャリアをオンにする必要がある)と連続変数(選択されたキャリアにどの電力を割り当てなければならないか)の最適化が含まれる。 我々は、アップリンクキャリア集約問題に対して、複合アクションアクタークリティカル(CA2C)アルゴリズムを含む強化学習(RL)フレームワークを採用する。 本稿では,提案したCA2Cアルゴリズムが効率よくSIを扱えるようにするために重要な新しい報酬関数を提案する。 提案した報奨関数と共にCA2Cアルゴリズムは、適切なキャリアをオンライン形式で割り当て、活性化することを学ぶ。 数値計算の結果,提案手法は,素案に比べて高いスループットを実現することができることがわかった。 また,提案した報奨関数により,SIの有無に関わらず,CA2Cアルゴリズムが最適化を適応できることを示した。

関連論文リスト

• Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
  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。
  論文  参考訳（メタデータ） (2025-09-16T08:48:44Z)
• HCOMC: A Hierarchical Cooperative On-Ramp Merging Control Framework in Mixed Traffic Environment on Two-Lane Highways [6.838130893718755]
  コネクテッド・アンド・オートマチック・カーズ(CAV)に基づく協調制御戦略は,この問題に対する基本的な解決策である。 CAVは完全には普及していないが、異種交通流に対する階層的協調型オンランプマージ制御(HCOMC)フレームワークを提案する必要がある。 本稿では,修正仮想車両モデルに基づく階層的協調計画モデル,ゲーム理論に基づく離散車線変更モデル,マルチマインド最適化モデルからなるHCOMCフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-15T18:01:29Z)
• Efficient Split Federated Learning for Large Language Models over Communication Networks [45.02252893286613]
  分散方式で訓練済みの大規模言語モデル(LLM)を微調整することで、リソース制約のあるエッジネットワークにおいて大きな課題が生じる。 本稿では,分割フェデレーション学習とパラメータ効率のよい微調整技術を統合する新しいフレームワークであるSflLLMを提案する。 モデル分割とローランク適応(LoRA)を活用することにより、SflLLMはエッジデバイスの計算負担を軽減する。
  論文  参考訳（メタデータ） (2025-04-20T16:16:54Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Joint User Association, Interference Cancellation and Power Control for Multi-IRS Assisted UAV Communications [80.35959154762381]
  インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。 既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。 我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
  論文  参考訳（メタデータ） (2023-12-08T01:57:10Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Semi-asynchronous Hierarchical Federated Learning for Cooperative Intelligent Transportation Systems [10.257042901204528]
  コラボレーティブ・インテリジェント・トランスポート・システム(C-ITS)は、自動運転車や道路インフラの安全性、効率性、持続可能性、快適なサービスを提供する有望なネットワークである。 C-ITSのコンポーネントは通常大量のデータを生成するため、データサイエンスを探索することは困難である。 本稿では,C-ITSのためのSemi-a synchronous Federated Learning (SHFL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-18T07:44:34Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)
• Multi-Agent Reinforcement Learning for Channel Assignment and Power Allocation in Platoon-Based C-V2X Systems [15.511438222357489]
  我々は,C-V2Xシステムにおける結合チャネル割り当てと電力配分の問題点を考察する。 提案する分散リソース割当アルゴリズムは,よく知られた網羅的探索アルゴリズムと比較して,近い性能を提供する。
  論文  参考訳（メタデータ） (2020-11-09T16:55:09Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)

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。