論文の概要: Linear Attention for Joint Power Optimization and User-Centric Clustering in Cell-Free Networks

• arxiv url: http://arxiv.org/abs/2512.17466v1
• Date: Fri, 19 Dec 2025 11:29:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.361577
• Title: Linear Attention for Joint Power Optimization and User-Centric Clustering in Cell-Free Networks
• Title（参考訳）: セルフリーネットワークにおける連系電力最適化とユーザ中心クラスタリングのための線形注意
• Authors: Irched Chafaa, Giacomo Bacci, Luca Sanguinetti,
• Abstract要約: 本稿では,APクラスタを協調的に予測し,ユーザデバイスとAPの空間座標のみから電力を出力する軽量トランスフォーマーモデルを提案する。 我々のモデルは、ユーザの負荷によらず、チャネル推定オーバーヘッドを伴わずにクラスタリングと電力配分の両方を処理し、パイロットの汚染を取り除く。 数値計算により、最小スペクトル効率を最大化し、ほぼ最適性能を提供するモデルの有効性を確認した。
• 参考スコア（独自算出の注目度）: 11.450856107912452
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optimal AP clustering and power allocation are critical in user-centric cell-free massive MIMO systems. Existing deep learning models lack flexibility to handle dynamic network configurations. Furthermore, many approaches overlook pilot contamination and suffer from high computational complexity. In this paper, we propose a lightweight transformer model that overcomes these limitations by jointly predicting AP clusters and powers solely from spatial coordinates of user devices and AP. Our model is architecture-agnostic to users load, handles both clustering and power allocation without channel estimation overhead, and eliminates pilot contamination by assigning users to AP within a pilot reuse constraint. We also incorporate a customized linear attention mechanism to capture user-AP interactions efficiently and enable linear scalability with respect to the number of users. Numerical results confirm the model's effectiveness in maximizing the minimum spectral efficiency and providing near-optimal performance while ensuring adaptability and scalability in dynamic scenarios.
• Abstract（参考訳）: ユーザ中心のセルフリーMIMOシステムでは、APクラスタリングと電力割り当てが重要である。 既存のディープラーニングモデルには、動的ネットワーク構成を扱う柔軟性がない。 さらに、多くのアプローチがパイロットの汚染を見落とし、高い計算複雑性に悩まされている。 本稿では,APクラスタを共同で予測し,ユーザデバイスとAPの空間座標のみからパワーを出力することで,これらの制約を克服する軽量トランスフォーマーモデルを提案する。 我々のモデルは,ユーザの負荷によらず,チャネル推定オーバーヘッドを伴わずにクラスタリングと電力配分の両方を処理し,パイロット再利用制約内でユーザをAPに割り当てることで,パイロット汚染を解消する。 また、ユーザとAPのインタラクションを効率的に捉え、ユーザ数の線形スケーラビリティを実現するために、カスタマイズされた線形アテンション機構も組み込んだ。 数値的な結果から、最小スペクトル効率を最大化し、動的シナリオにおける適応性とスケーラビリティを確保しつつ、ほぼ最適性能を提供するモデルの有効性が確認された。

関連論文リスト

• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
  CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。 CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。 トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-09-24T07:54:01Z)
• SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration [70.72227437717467]
  VLA(Vision-Language-Action)モデルは、その強力な制御能力に注目が集まっている。 計算コストが高く、実行頻度も低いため、ロボット操作や自律ナビゲーションといったリアルタイムタスクには適さない。 本稿では,共同スケジューリングモデルとプルーニングトークンにより,VLAモデルを高速化する統一フレームワークSP-VLAを提案する。
  論文  参考訳（メタデータ） (2025-06-15T05:04:17Z)
• Transformer-Based Power Optimization for Max-Min Fairness in Cell-Free Massive MIMO [11.450856107912452]
  本稿では,ユーザとアクセスポイントの位置のみを用いて,最適なアップリンクとダウンリンクの電力を共同で予測するトランスフォーマーニューラルネットワークを提案する。 実験結果から, ほぼ最適性能が得られた。
  論文  参考訳（メタデータ） (2025-03-05T14:49:06Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• Pilot Contamination Aware Transformer for Downlink Power Control in Cell-Free Massive MIMO Networks [45.487183737784086]
  本稿では,パイロット汚染対応電源制御(PAPC)トランスニューラルネットワークを提案する。 PAPCはパイロットアロケーションデータをネットワークに統合し、パイロット汚染シナリオを効果的に処理する。 PAPCは教師なし学習フレームワークで訓練され、加速近位勾配(APG)アルゴリズムに対して評価される。
  論文  参考訳（メタデータ） (2024-11-28T09:48:52Z)
• A Deep Learning Approach for User-Centric Clustering in Cell-Free Massive MIMO Systems [7.202538088166535]
  ユーザクラスタリング問題を解決するために,ディープラーニングに基づくソリューションを提案する。 提案手法は,ユーザ数に応じて効果的に拡張可能であり,長期のメモリセルを再トレーニングを必要とせずに動作させることができる。 その結果,パイロット汚染による不完全なチャネル状態情報が存在する場合でも,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-09-17T15:12:54Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Multiple Access in Dynamic Cell-Free Networks: Outage Performance and Deep Reinforcement Learning-Based Design [24.632250413917816]
  将来のセルフリー(またはセルレス)無線ネットワークでは、地理的領域の多数のデバイスが同時に多数の分散アクセスポイント(AP)によって提供される。 我々は,多数のデバイスやAPが存在する場合に,ユーザの信号の共同処理の複雑さを低減するために,新しい動的セルフリーネットワークアーキテクチャを提案する。 システム設定では, DDPG-DDQN方式は, 網羅的な検索ベース設計により, 達成可能なレートの約78%を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-01-29T03:00:22Z)

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。