論文の概要: Joint Link Adaptation and Device Scheduling Approach for URLLC Industrial IoT Network: A DRL-based Method with Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2512.23493v1
- Date: Mon, 29 Dec 2025 14:32:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:30.537198
- Title: Joint Link Adaptation and Device Scheduling Approach for URLLC Industrial IoT Network: A DRL-based Method with Bayesian Optimization
- Title（参考訳）: URLLC産業用IoTネットワークのための統合リンク適応とデバイススケジューリング手法:ベイズ最適化を用いたDRLに基づく手法
- Authors: Wei Gao, Paul Zheng, Peng Wu, Yulin Hu, Anke Schmeink,
- Abstract要約: 我々は、チャネル状態情報(CSI)が不完全であるのに対して、動的ウルトラ信頼性の低い低遅延通信(URLLC)をサポートする産業用モノのインターネット(IIoT)ネットワークを考える。
厳密なブロック誤り率制約の下での送信率の最大化を目的とした、連系適応(LA)とデバイススケジューリング(順序を含む)設計を提供する。
提案アルゴリズムは,既存の解よりも高速な収束と累積性能を実現する。
- 参考スコア（独自算出の注目度）: 37.86747540440919
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this article, we consider an industrial internet of things (IIoT) network supporting multi-device dynamic ultra-reliable low-latency communication (URLLC) while the channel state information (CSI) is imperfect. A joint link adaptation (LA) and device scheduling (including the order) design is provided, aiming at maximizing the total transmission rate under strict block error rate (BLER) constraints. In particular, a Bayesian optimization (BO) driven Twin Delayed Deep Deterministic Policy Gradient (TD3) method is proposed, which determines the device served order sequence and the corresponding modulation and coding scheme (MCS) adaptively based on the imperfect CSI. Note that the imperfection of CSI, error sample imbalance in URLLC networks, as well as the parameter sensitivity nature of the TD3 algorithm likely diminish the algorithm's convergence speed and reliability. To address such an issue, we proposed a BO based training mechanism for the convergence speed improvement, which provides a more reliable learning direction and sample selection method to track the imbalance sample problem. Via extensive simulations, we show that the proposed algorithm achieves faster convergence and higher sum-rate performance compared to existing solutions.
- Abstract（参考訳）: 本稿では、チャネル状態情報(CSI)が不完全であるのに対して、マルチデバイス動的ウルトラ信頼性低遅延通信(URLLC)をサポートする産業用モノのインターネット(IIoT)ネットワークを検討する。
厳密なブロック誤り率(BLER)制約下での送信率の最大化を目的とした、連系適応(LA)およびデバイススケジューリング(順序を含む)設計を提供する。
特に,不完全なCSIに基づいて命令順序と対応する変調および符号化スキーム(MCS)を適応的に決定する,ベイズ最適化(BO)駆動の双遅延深層決定性ポリシー勾配(TD3)法を提案する。
CSIの不完全性、URLLCネットワークにおける誤差サンプルの不均衡、TD3アルゴリズムのパラメータ感度特性はアルゴリズムの収束速度と信頼性を低下させる可能性があることに注意されたい。
このような問題に対処するために,より信頼性の高い学習方向とサンプル選択法を提供し,不均衡なサンプル問題を追跡するBOに基づく収束速度向上のためのトレーニング機構を提案する。
シミュレーションにより,提案アルゴリズムは既存の解よりも高速な収束と累積性能を実現することを示した。
関連論文リスト
- Robust Precoding for Resilient Cell-Free Networks [15.266482339999087]
提案するロバストプリコーダは、チャネル状態情報(CSI)エラー統計を組み込んで、CSI欠陥に対するレジリエンスを高める。
数値計算の結果,提案手法は従来の線形プリコーダよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-11-29T15:49:11Z) - PASS-Enhanced MEC: Joint Optimization of Task Offloading and Uplink PASS Beamforming [67.78883135636657]
ピンチアンテナシステム (PASS) によるモバイルエッジコンピューティング (MEC) アーキテクチャについて検討した。
PASSは、重要な経路損失と潜在的な信号遮断を効果的に軽減しつつ、短距離ライン・オブ・ライト(LoS)リンクを確立する。
ネットワーク遅延最小化問題を定式化し、アップリンクPASSビームフォーミングとタスクオフロードを共同で最適化する。
論文 参考訳（メタデータ） (2025-10-27T03:04:46Z) - 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) - Optimal Batch-Size Control for Low-Latency Federated Learning with Device Heterogeneity [30.53961003855146]
フェデレートラーニング(FL)は、第6世代(6G)ネットワークにおける協調機械学習の一般的なアプローチとして登場した。
FLアルゴリズムの展開は、自律運転、拡張現実、ヘルスケアなど、幅広いIoT(Internet-of-Things)アプリケーションを強化することが期待されている。
本稿では,収束性を確保しつつ,エンドツーエンド(E2E)学習遅延を最小限に抑える,バッチサイズ最適制御のための新しいC$2のフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-21T13:24:38Z) - Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。
本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
論文 参考訳（メタデータ） (2025-07-12T17:11:06Z) - Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。
既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。
本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
論文 参考訳（メタデータ） (2025-01-20T04:26:21Z) - Over-the-Air Federated Learning via Second-Order Optimization [37.594140209854906]
フェデレートラーニング(FL)は、無線ネットワーク上でのタスク指向のデータトラフィックを、限られた無線リソースによって引き起こす可能性がある。
本稿では,通信ラウンドを同時に削減し,低レイテンシなグローバルモデルアグリゲーションを実現するために,空対2次フェデレーション最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-29T12:39:23Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Fast Convergence Algorithm for Analog Federated Learning [30.399830943617772]
無線チャネル上での効率的なアナログフェデレーション学習のためのAirCompベースのFedSplitアルゴリズムを提案する。
提案アルゴリズムは, 目的関数が強く凸かつ滑らかであるという仮定の下で, 最適解に線形収束することを示す。
我々のアルゴリズムは、他のベンチマークFLアルゴリズムと比較して、より高速な収束を伴う不条件問題に対して、より堅牢であることが理論的および実験的に検証されている。
論文 参考訳（メタデータ） (2020-10-30T10:59:49Z)
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。