論文の概要: Meta-Learning Multi-armed Bandits for Beam Tracking in 5G and 6G Networks

• arxiv url: http://arxiv.org/abs/2512.05680v1
• Date: Fri, 05 Dec 2025 12:48:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.027038
• Title: Meta-Learning Multi-armed Bandits for Beam Tracking in 5G and 6G Networks
• Title（参考訳）: 5Gおよび6Gネットワークにおけるビームトラッキングのためのメタラーニングマルチアームバンド
• Authors: Alexander Mattick, George Yammine, Georgios Kontes, Setareh Maghsudi, Christopher Mutschler,
• Abstract要約: 問題を部分的に観測可能なマルコフ決定プロセス(POMDP)として定式化し,その環境をコードブック自体としてモデル化する。 これにより、移動中の最適ビームを探索するオンライン検索手順としてビーム選択問題をモデル化する。 従来の作業とは対照的に,本手法では,新たな,あるいは予期せぬ軌道や物理的環境の変化を処理し,従来よりも桁違いに性能を向上する。
• 参考スコア（独自算出の注目度）: 45.68033457046781
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Beamforming-capable antenna arrays with many elements enable higher data rates in next generation 5G and 6G networks. In current practice, analog beamforming uses a codebook of pre-configured beams with each of them radiating towards a specific direction, and a beam management function continuously selects \textit{optimal} beams for moving user equipments (UEs). However, large codebooks and effects caused by reflections or blockages of beams make an optimal beam selection challenging. In contrast to previous work and standardization efforts that opt for supervised learning to train classifiers to predict the next best beam based on previously selected beams we formulate the problem as a partially observable Markov decision process (POMDP) and model the environment as the codebook itself. At each time step, we select a candidate beam conditioned on the belief state of the unobservable optimal beam and previously probed beams. This frames the beam selection problem as an online search procedure that locates the moving optimal beam. In contrast to previous work, our method handles new or unforeseen trajectories and changes in the physical environment, and outperforms previous work by orders of magnitude.
• Abstract（参考訳）: 多くの要素を持つビームフォーミング可能なアンテナアレイは、次世代の5Gおよび6Gネットワークで高いデータレートを実現する。 現在、アナログビームフォーミングは、それぞれが特定の方向に放射される予め設定されたビームのコードブックを使用し、ビーム管理機能は、ユーザ機器(UE)を動かすために、連続的に \textit{optimal} ビームを選択する。 しかし、ビームの反射や閉塞によって引き起こされる大きなコードブックや効果は、最適なビーム選択を困難にしている。 従来の研究や標準化の取り組みとは対照的に、教師あり学習により分類器を訓練し、予め選択したビームに基づいて次の最良のビームを予測し、問題を部分的に観測可能なマルコフ決定プロセス(POMDP)として定式化し、コードブック自体として環境をモデル化する。 各段階において、観測不能な最適ビームと予めプローブされたビームの信念状態に基づいて候補ビームを選択する。 これにより、移動中の最適ビームを探索するオンライン検索手順としてビーム選択問題をモデル化する。 従来の作業とは対照的に,本手法では,新たな,あるいは予期せぬ軌道や物理的環境の変化を処理し,従来よりも桁違いに性能を向上する。

関連論文リスト

• BERT4beam: Large AI Model Enabled Generalized Beamforming Optimization [77.17508487745026]
  本稿では,ビームフォーミング最適化のための大規模AIモデルについて検討する。 本稿では、BERT4エンコーダと呼ばれる変換器(BERT)からの双方向エンコーダ表現に基づく新しいフレームワークを提案する。 本フレームワークをベースとして,単一タスクとマルチタスクのビームフォーミング最適化のためのBERTベースの2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-14T02:49:29Z)
• Causal Beam Selection for Reliable Initial Access in AI-driven Beam Management [27.860170227028963]
  既存のディープラーニング(DL)ベースのビームアライメント手法は、入力と出力の間の因果関係を無視することが多い。 本稿では、因果発見をビーム管理パイプラインに統合する因果認識型DLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-22T12:56:07Z)
• Beam Training in mmWave Vehicular Systems: Machine Learning for Decoupling Beam Selection [28.79913643775395]
  位置情報を機械学習(ML)ビームレコメンデーションと組み合わせることで、ビームペア選択のオーバーヘッドを低減する方法である。 ユーザ機器(UE)と基地局(BS)のビーム選択を分離するためのMLに基づく位置支援手法を開発した。
  論文  参考訳（メタデータ） (2024-04-16T22:27:23Z)
• Hierarchical ML Codebook Design for Extreme MIMO Beam Management [37.51593770637367]
  ビーム管理は、ビームフォーミングとチャネル状態情報(CSI)を5Gで大きなアンテナアレイで取得する戦略である。 コードブックは、ビームフォーミング参照信号、CSIレポート、アナログビームトレーニングなど、ビーム管理に多用されている。 本稿では,超大規模マルチインプットマルチアウトプット(X-MIMO)システムを対象とした,機械学習によるコードブック設計プロセスの提案と評価を行う。
  論文  参考訳（メタデータ） (2023-11-24T17:14:11Z)
• Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
  我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。 我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
  論文  参考訳（メタデータ） (2022-10-23T05:57:39Z)
• Efficient Beam Search for Initial Access Using Collaborative Filtering [1.496194593196997]
  ビームフォーミング可能なアンテナアレイは、高いキャリア周波数での高自由空間パス損失を克服する。 ビームは、最高出力がユーザ機器(UE)に向けて放射される(かつ受信される)ことを保証するために、適切にアライメントされなければならない。
  論文  参考訳（メタデータ） (2022-09-14T14:25:56Z)
• Beyond Greedy Search: Tracking by Multi-Agent Reinforcement Learning-based Beam Search [103.53249725360286]
  既存のトラッカーは通常、フレーム毎のトラッキング結果として最大スコアの場所または提案を選択する。 本稿では,この問題に対処するために,新しいマルチエージェント強化学習に基づくビームサーチ戦略(BeamTracking と呼ばれる)を提案する。
  論文  参考訳（メタデータ） (2022-05-19T16:35:36Z)
• End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
  与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。 ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。 本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
  論文  参考訳（メタデータ） (2022-01-11T09:46:31Z)
• Deep Learning Assisted Calibrated Beam Training for Millimeter-Wave Communication Systems [15.297530726877786]
  ビームトレーニングの膨大なオーバーヘッドはミリ波(mmWave)無線通信において大きな課題となる。 チャネル電力の漏れに応じて狭いビーム方向を校正する広いビームベースのトレーニングアプローチを提案します。 チャネルパワーリークの複雑な非線形特性に対処するために、ディープラーニングを用いて最適な狭ビームを直接予測する。
  論文  参考訳（メタデータ） (2021-01-08T04:02:34Z)

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。