論文の概要: Decentralized Spatial Reuse Optimization in Wi-Fi: An Internal Regret Minimization Approach

• arxiv url: http://arxiv.org/abs/2602.08456v1
• Date: Mon, 09 Feb 2026 10:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.159661
• Title: Decentralized Spatial Reuse Optimization in Wi-Fi: An Internal Regret Minimization Approach
• Title（参考訳）: Wi-Fiにおける分散空間再利用最適化:内部レギュレット最小化手法
• Authors: Francesc Wilhelmi, Boris Bellalta, Miguel Casasnovas, Aleksandra Kijanka, Miguel Calvo-Fullana,
• Abstract要約: 本稿では,後悔マッチングに基づく分散学習アルゴリズムを提案する。 内部的後悔の最小化は、競合するエージェントをCorrelated Equilibria (CE) へ誘導し、明示的なコミュニケーションなしに協調を効果的に模倣する。 結果は、スケーラブルな分散ソリューションの未発表の可能性を確認します。
• 参考スコア（独自算出の注目度）: 40.02689778290504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial Reuse (SR) is a cost-effective technique for improving spectral efficiency in dense IEEE 802.11 deployments by enabling simultaneous transmissions. However, the decentralized optimization of SR parameters -- transmission power and Carrier Sensing Threshold (CST) -- across different Basic Service Sets (BSSs) is challenging due to the lack of global state information. In addition, the concurrent operation of multiple agents creates a highly non-stationary environment, often resulting in suboptimal global configurations (e.g., using the maximum possible transmission power by default). To overcome these limitations, this paper introduces a decentralized learning algorithm based on regret-matching, grounded in internal regret minimization. Unlike standard decentralized ``selfish'' approaches that often converge to inefficient Nash Equilibria (NE), internal regret minimization guides competing agents toward Correlated Equilibria (CE), effectively mimicking coordination without explicit communication. Through simulation results, we showcase the superiority of our proposed approach and its ability to reach near-optimal global performance. These results confirm the not-yet-unleashed potential of scalable decentralized solutions and question the need for the heavy signaling overheads and architectural complexity associated with emerging centralized solutions like Multi-Access Point Coordination (MAPC).
• Abstract（参考訳）: 空間再利用(Spatial Reuse, SR)は、IEEE 802.11の高密度展開において、同時送信を可能にすることでスペクトル効率を向上させるための費用対効果の手法である。 しかし、送信電力とキャリアセンシング閾値(CST)のSRパラメータの分散最適化は、グローバルな状態情報がないため、さまざまな基本サービスセット(BSS)にわたって難しい。 さらに、複数のエージェントの同時動作は、非常に非定常な環境を生成し、多くの場合、最適以下のグローバルな構成(例えば、デフォルトでは最大送信電力を使用する)をもたらす。 これらの制約を克服するため,本研究では,内部の後悔最小化に基づく後悔マッチングに基づく分散学習アルゴリズムを提案する。 非効率なナッシュ平衡(NE)に収束する標準的な「自我的」アプローチとは異なり、内部後悔の最小化は、競合するエージェントをコーコリックス平衡(CE)へ誘導し、明示的なコミュニケーションなしに協調を効果的に模倣する。 シミュレーションの結果から,提案手法の優位性と,ほぼ最適なグローバルパフォーマンスを実現する能力を示す。 これらの結果は、スケーラブルな分散ソリューションの未発表の可能性を確認し、マルチアクセスポイントコーディネート(MAPC)のような新興集中型ソリューションに関連する重信号のオーバーヘッドとアーキテクチャ上の複雑さの必要性を疑問視する。

関連論文リスト

• Optimal Transport Adapter Tuning for Bridging Modality Gaps in Few-Shot Remote Sensing Scene Classification [80.83325513157637]
  Few-Shot Remote Sensing Scene Classification (FS-RSSC)は,限られたラベル付きサンプルを用いたリモートセンシング画像の分類の課題を示す。 理想的なプラトン表現空間を構築することを目的とした,OTAT(Optimal Transport Adapter Tuning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T07:04:24Z)
• 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)
• Latency Optimization in LEO Satellite Communications with Hybrid Beam Pattern and Interference Control [20.19239663262141]
  低軌道(LEO)衛星通信システムは次世代用途に不可欠な高容量で低遅延のサービスを提供する。 LEO星座の密な構成は資源配分最適化と干渉管理の課題を提起する。 本稿では,マルチビームLEOシステムにおけるビームスケジューリングとリソース割り当てを最適化するための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） (2024-11-14T17:18:24Z)
• Distributed Noncoherent Joint Transmission Based on Multi-Agent Reinforcement Learning for Dense Small Cell MISO Systems [8.146481327854545]
  マルチアンテナ小セル基地局(SBS)が共有帯域上でデータを送信する高密度小セルネットワークを考察する。
  論文  参考訳（メタデータ） (2024-08-22T02:11:14Z)
• Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
  非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。 複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
  論文  参考訳（メタデータ） (2024-06-19T07:17:04Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Adaptive Consensus: A network pruning approach for decentralized optimization [0.5432724320036953]
  ネットワーク内の各ノードが局所関数を持つネットワークベースの分散最適化問題を考える。 目的は、すべての局所関数の和を最小化するコンセンサス解を集合的に達成することである。 本稿では,通信量を削減する適応的ランダム化通信効率アルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-06T00:28:10Z)

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。