Fugu-MT 論文翻訳(概要): A Survey of Freshness-Aware Wireless Networking with Reinforcement Learning

論文の概要: A Survey of Freshness-Aware Wireless Networking with Reinforcement Learning

arxiv url: http://arxiv.org/abs/2512.21412v1
Date: Wed, 24 Dec 2025 20:24:16 GMT
ステータス: 情報取得中
システム内更新日: 2025-12-29 11:59:06.327318
Title: A Survey of Freshness-Aware Wireless Networking with Reinforcement Learning
Title（参考訳）: 強化学習を用いたフレッシュネス対応無線ネットワークの検討
Authors: Alimu Alibotaiken, Suyang Wang, Oluwaseun T. Ajayi, Yu Cheng,
Abstract要約: 情報時代(AoI)は、現代の無線システムにおけるデータの鮮度の中心的指標となっている。このギャップによって動機づけられたこの調査は、特にAoIのレンズと一般化された鮮度最適化を通してRLを調べる。
参考スコア（独自算出の注目度）: 10.762523589169
License:
Abstract: The age of information (AoI) has become a central measure of data freshness in modern wireless systems, yet existing surveys either focus on classical AoI formulations or provide broad discussions of reinforcement learning (RL) in wireless networks without addressing freshness as a unified learning problem. Motivated by this gap, this survey examines RL specifically through the lens of AoI and generalized freshness optimization. We organize AoI and its variants into native, function-based, and application-oriented families, providing a clearer view of how freshness should be modeled in B5G and 6G systems. Building on this foundation, we introduce a policy-centric taxonomy that reflects the decisions most relevant to freshness, consisting of update-control RL, medium-access RL, risk-sensitive RL, and multi-agent RL. This structure provides a coherent framework for understanding how learning can support sampling, scheduling, trajectory planning, medium access, and distributed coordination. We further synthesize recent progress in RL-driven freshness control and highlight open challenges related to delayed decision processes, stochastic variability, and cross-layer design. The goal is to establish a unified foundation for learning-based freshness optimization in next-generation wireless networks.
Abstract（参考訳）: 情報時代(AoI)は、現代の無線システムにおけるデータの鮮度の中心的指標となっているが、既存の調査では、従来のAoI定式化に焦点を当てるか、無線ネットワークにおける強化学習(RL)について、一貫した学習問題として、鮮度に対処することなく幅広い議論を行っている。このギャップによって動機づけられたこの調査は、特にAoIのレンズと一般化された鮮度最適化を通してRLを調べる。我々はAoIとその変種を、ネイティブ、関数ベース、およびアプリケーション指向のファミリーに整理し、B5Gおよび6Gシステムでどのように鮮度をモデル化すべきかを明確にする。本稿では,更新制御RL,中規模アクセスRL,リスク感受性RL,マルチエージェントRLからなる新鮮度に関する決定を反映した政策中心の分類法を提案する。この構造は、学習がサンプリング、スケジューリング、軌道計画、媒体アクセス、分散調整をどのようにサポートするかを理解するための一貫性のあるフレームワークを提供する。さらに、RL駆動のフレッシュネス制御の最近の進歩を合成し、遅延決定過程、確率的変動性、層間設計に関連するオープンな課題を強調した。目標は、次世代無線ネットワークにおける学習に基づく新鮮度最適化のための統一的な基盤を確立することである。

関連論文リスト

Statistical and Algorithmic Foundations of Reinforcement Learning [45.707617428078585]
近年,シーケンシャルラーニング (RL) が注目されている。我々は、RLにおけるいくつかの重要な発展を紹介することを目指しており、新しいアイデアと古典的なトピックの関連を強調している。
論文参考訳（メタデータ） (2025-07-19T02:42:41Z)
Inverse Reinforcement Learning Meets Large Language Model Post-Training: Basics, Advances, and Opportunities [62.05713042908654]
本稿では,逆強化学習(IRL)のレンズによる大規模言語モデル(LLM)のアライメントの進歩について概観する。我々は、人間のデータからニューラル報酬モデルを構築する必要性を強調し、このパラダイムシフトの形式的および実践的意味について議論する。
論文参考訳（メタデータ） (2025-07-17T14:22:24Z)
A Survey of Continual Reinforcement Learning [37.12149196139624]
強化学習(Reinforcement Learning, RL)は、シーケンシャルな意思決定問題を解決するための重要な機械学習パラダイムである。タスクをまたいで一般化するRLの限られた能力は、動的および実世界の環境での適用性を制限する。 CRL(Continuous Reinforcement Learning)は、これらの制限に対処するための有望な研究方向として登場した。
論文参考訳（メタデータ） (2025-06-27T03:10:20Z)
Prompt-Tuned LLM-Augmented DRL for Dynamic O-RAN Network Slicing [5.62872273155603]
大規模言語モデル(LLM)は、無秩序なネットワークフィードバックを意味のある潜在表現に構造化する。 O-RANスライシングでは、SNR、パワーレベル、スループットといった概念が意味的に関連している。学習可能なプロンプトをLLM拡張DRLフレームワークに統合した文脈化に基づく適応手法を提案する。
論文参考訳（メタデータ） (2025-05-31T14:12:56Z)
DeepSeek-Inspired Exploration of RL-based LLMs and Synergy with Wireless Networks: A Survey [68.74626395093496]
強化学習(RL)に基づく大規模言語モデル(LLM)は,マルチモーダルデータ理解においてその能力に注目が集まっている。オープンソースのDeepSeekモデルは、大規模な純粋なRLやコスト効率のトレーニングといった革新的な設計で有名である。本調査では,無線ネットワークの文脈において,RLをベースとしたLLMを包括的に探索する。
論文参考訳（メタデータ） (2025-03-13T01:59:11Z)
Continual Task Learning through Adaptive Policy Self-Composition [54.95680427960524]
CompoFormerは構造ベースの連続トランスフォーマーモデルであり、メタポリシックネットワークを介して、以前のポリシーを適応的に構成する。実験の結果,CompoFormerは従来の継続学習法(CL)よりも優れており,特にタスクシーケンスが長いことが判明した。
論文参考訳（メタデータ） (2024-11-18T08:20:21Z)
MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文参考訳（メタデータ） (2023-02-02T18:27:20Z)
FORLORN: A Framework for Comparing Offline Methods and Reinforcement Learning for Optimization of RAN Parameters [0.0]
本稿では,ネットワーク環境におけるRLエージェントの性能をns-3でシミュレートする新しいフレームワークを提案する。このフレームワークでは、ドメイン固有の知識を持たないRLエージェントが、静的シナリオにおけるオフライン最適化に適合するように、Radio Access Network(RAN)パラメータを効率的に調整する方法を学習できることを実証する。
論文参考訳（メタデータ） (2022-09-08T12:58:09Z)
Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN [11.464582983164991]
新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。 O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-08-30T17:00:53Z)
Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文参考訳（メタデータ） (2021-11-23T18:24:47Z)
Dynamics Generalization via Information Bottleneck in Deep Reinforcement Learning [90.93035276307239]
本稿では,RLエージェントのより優れた一般化を実現するために,情報理論正則化目標とアニーリングに基づく最適化手法を提案する。迷路ナビゲーションからロボットタスクまで、さまざまな領域において、我々のアプローチの極端な一般化の利点を実証する。この研究は、タスク解決のために冗長な情報を徐々に取り除き、RLの一般化を改善するための原則化された方法を提供する。
論文参考訳（メタデータ） (2020-08-03T02:24:20Z)

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。