論文の概要: Meta-Learning-Based Handover Management in NextG O-RAN
- arxiv url: http://arxiv.org/abs/2512.22022v1
- Date: Fri, 26 Dec 2025 13:01:46 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-29 12:01:45.904283
- Title: Meta-Learning-Based Handover Management in NextG O-RAN
- Title（参考訳）: NextG O-RANにおけるメタラーニングに基づくハンドオーバ管理
- Authors: Michail Kalntis, George Iosifidis, José Suárez-Varela, Andra Lutu, Fernando A. Kuipers,
- Abstract要約: O-RANアーキテクチャ内でTHOとCHOを協調的に最適化するフレームワークであるCONTRAを提案する。
ConTRAは、O-RAN xAppランタイムとして、ほぼリアルタイムでデプロイするために特別に設計されている。
CONTRAはユーザのスループットを向上し、THOとCHOの切り替えコストを削減できることを示す。
- 参考スコア（独自算出の注目度）: 47.23997854845925
- License:
- Abstract: While traditional handovers (THOs) have served as a backbone for mobile connectivity, they increasingly suffer from failures and delays, especially in dense deployments and high-frequency bands. To address these limitations, 3GPP introduced Conditional Handovers (CHOs) that enable proactive cell reservations and user-driven execution. However, both handover (HO) types present intricate trade-offs in signaling, resource usage, and reliability. This paper presents unique, countrywide mobility management datasets from a top-tier mobile network operator (MNO) that offer fresh insights into these issues and call for adaptive and robust HO control in next-generation networks. Motivated by these findings, we propose CONTRA, a framework that, for the first time, jointly optimizes THOs and CHOs within the O-RAN architecture. We study two variants of CONTRA: one where users are a priori assigned to one of the HO types, reflecting distinct service or user-specific requirements, as well as a more dynamic formulation where the controller decides on-the-fly the HO type, based on system conditions and needs. To this end, it relies on a practical meta-learning algorithm that adapts to runtime observations and guarantees performance comparable to an oracle with perfect future information (universal no-regret). CONTRA is specifically designed for near-real-time deployment as an O-RAN xApp and aligns with the 6G goals of flexible and intelligent control. Extensive evaluations leveraging crowdsourced datasets show that CONTRA improves user throughput and reduces both THO and CHO switching costs, outperforming 3GPP-compliant and Reinforcement Learning (RL) baselines in dynamic and real-world scenarios.
- Abstract（参考訳）: 従来のハンドオーバ(THO)はモバイル接続のバックボーンとして機能するが、特に密集したデプロイメントや高周波帯域において、障害や遅延に悩まされる傾向にある。
これらの制限に対処するため、3GPPは、プロアクティブなセル予約とユーザ主導の実行を可能にする条件付きハンドオーバ(CHO)を導入した。
しかしながら、両ハンドオーバ(HO)タイプは、シグナリング、リソース使用量、信頼性において、複雑なトレードオフが存在する。
本稿では,これらの問題に対する新たな洞察を提供し,次世代ネットワークにおける適応的かつロバストなHO制御を求める,トップ層モバイルネットワークオペレータ(MNO)の独自かつ全国的なモビリティ管理データセットを提案する。
これらの知見に触発されて,O-RANアーキテクチャ内でTHOとCHOを共同で最適化するフレームワークであるCONTRAを提案する。
ユーザがHOタイプのいずれかに割り当てられたプリオリであり、異なるサービスやユーザ固有の要件を反映するConTRAと、システム条件とニーズに基づいてHOタイプをオンザフライで決定するよりダイナミックな定式化の2つのバリエーションについて検討する。
この目的のために、実行時の観察に適応し、完全な将来情報(ユニバーサル・ノ・レグレット)を持つオラクルに匹敵するパフォーマンスを保証する、実用的なメタ学習アルゴリズムに依存している。
CONTRAは、O-RAN xAppとして準リアルタイムデプロイメント用に特別に設計されており、フレキシブルでインテリジェントなコントロールという6Gの目標と一致している。
クラウドソースデータセットを活用した大規模な評価は、Contraがユーザのスループットを改善し、THOとCHOの切り替えコストを低減し、3GPP準拠とReinforcement Learning(RL)ベースラインを動的および現実のシナリオで上回ることを示している。
関連論文リスト
- STT-GS: Sample-Then-Transmit Edge Gaussian Splatting with Joint Client Selection and Power Control [77.56170394100022]
Edge Gaussian splatting (EGS)は、分散クライアントからデータを集約し、エッジサーバでグローバルGSモデルをトレーニングする。
本稿では、異なるクライアントのビューコントリビューションを識別する新しいGS指向の目的関数を定式化する。
その結果,低サンプリング比でGS指向の目的を正確に予測できることが判明した。
論文 参考訳（メタデータ） (2025-10-15T06:20:47Z) - CHOMET: Conditional Handovers via Meta-Learning [55.08287089554127]
ハンドオーバ(HO)は、多数の多様なモバイルユーザーとのシームレスな接続を可能にする、現代の携帯電話ネットワークの基盤である。
モバイルネットワークがより多様なユーザや小さなセルと複雑化するにつれ、従来のHOは遅延の延長や障害の増加といった重大な課題に直面している。
本稿では,CHO最適化にメタラーニングを利用するO-RANパラダイムに沿った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） (2025-07-10T09:35:43Z) - On-Device LLM for Context-Aware Wi-Fi Roaming [4.8099196240978275]
無線LAN(Wi-Fi)におけるローミングは、動的モバイル環境におけるシームレスな接続を維持する上で重要な課題である。
デバイス上での大規模言語モデル(LLM)の最初のクロス層利用について紹介する。
論文 参考訳（メタデータ） (2025-05-07T07:04:49Z) - Graph Based Deep Reinforcement Learning Aided by Transformers for Multi-Agent Cooperation [2.8169258551959544]
本稿では、グラフニューラルネットワーク(GNN)、深層強化学習(DRL)、マルチエージェント協調と集合タスク実行の強化のためのトランスフォーマーベースのメカニズムを統合する新しいフレームワークを提案する。
提案手法はGNNを用いて,適応グラフ構築によるエージェントエージェントとエージェントゴールの相互作用をモデル化し,制約付き通信下での効率的な情報集約と意思決定を可能にする。
論文 参考訳（メタデータ） (2025-04-11T01:46:18Z) - Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。
このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。
本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
論文 参考訳（メタデータ） (2025-02-17T03:05:20Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - Programmable and Customized Intelligence for Traffic Steering in 5G
Networks Using Open RAN Architectures [16.48682480842328]
5G以降のモバイルネットワークは、前例のない規模で異質なユースケースをサポートする。
無線アクセスネットワーク(RAN)のこのようなきめ細かい制御は、現在のセルアーキテクチャでは不可能である。
クローズドループ制御を可能とし,ユーザレベルでRANをデータ駆動でインテリジェントに最適化するオープンアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-09-28T15:31:06Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z)
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。