論文の概要: Association-Aware GNN for Precoder Learning in Cell-Free Systems

• arxiv url: http://arxiv.org/abs/2603.13035v1
• Date: Fri, 13 Mar 2026 14:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.13006
• Title: Association-Aware GNN for Precoder Learning in Cell-Free Systems
• Title（参考訳）: セルフリーシステムにおけるプレコーダ学習のためのアソシエーション対応GNN
• Authors: Mingyu Deng, Shengqian Han,
• Abstract要約: 最適プリコーダは、チャネル状態情報だけでなく、動的UE-APアソシエーション状態にも依存する。 本稿では,アソシエーション対応グラフニューラルネットワーク(AAGNN)を提案し,アソシエーションステータスをプリコーディング設計に明示的に組み込む。
• 参考スコア（独自算出の注目度）: 4.221155178833986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has been widely recognized as a promising approach for optimizing multi-user multi-antenna precoders in traditional cellular systems. However, a critical distinction between cell-free and cellular systems lies in the flexibility of user equipment (UE)-access point (AP) associations. Consequently, the optimal precoder depends not only on channel state information but also on the dynamic UE-AP association status. In this paper, we propose an association-aware graph neural network (AAGNN) that explicitly incorporates association status into the precoding design. We leverage the permutation equivariance properties of the cell-free precoding policy to reduce the training complexity of AAGNN and employ an attention mechanism to enhance its generalization performance. Simulation results demonstrate that the proposed AAGNN outperforms baseline learning methods in both learning performance and generalization capabilities while maintaining low training and inference complexity.
• Abstract（参考訳）: ディープラーニングは、従来のセルシステムにおいて、マルチユーザマルチアンテナプリコーダを最適化するための有望なアプローチとして広く認識されている。 しかし、無細胞システムと細胞システムとの違いは、ユーザ機器(UE)アクセスポイント(AP)アソシエーションの柔軟性にある。 その結果、最適なプリコーダはチャネル状態情報だけでなく、動的UE-APアソシエーション状態にも依存する。 本稿では,アソシエイト対応グラフニューラルネットワーク(AAGNN)を提案し,アソシエイトステータスをプリコーディング設計に明示的に組み込む。 我々は,AAGNNのトレーニング複雑性を低減するために,セルフリープリコーディングポリシーの置換等価性を活用し,その一般化性能を高めるために注意機構を用いる。 シミュレーションの結果,提案したAAGNNは,低トレーニングと推論の複雑さを維持しつつ,学習性能と一般化能力の両方において,ベースライン学習方法よりも優れていた。

関連論文リスト

• Adaptive UAV-Assisted Hierarchical Federated Learning: Optimizing Energy, Latency, and Resilience for Dynamic Smart IoT [25.924115037501952]
  本稿では,エネルギー制約付き動的展開型UAVを用いたHFLアーキテクチャについて検討する。 本稿では,学習構成,帯域割り当て,デバイス・ツー・UAVアソシエーションを統合することで,グローバルなトレーニングコストを最小化するための新しいアプローチを提案する。 多様な実世界のデータセットの実験は、このアプローチを検証し、通信障害時のコスト削減とロバストなパフォーマンスを実証する。
  論文  参考訳（メタデータ） (2025-03-08T10:06:29Z)
• A General Framework for Scalable UE-AP Association in User-Centric Cell-Free Massive MIMO based on Recurrent Neural Networks [7.202538088166535]
  本研究では,セルフリー大規模ネットワークにおけるアクセスポイント (AP) とユーザ機器 (UE) の連携の課題に対処する。 Bi Long ShortTerm Memoryセルを利用したディープラーニングアルゴリズムと、重み更新のためのハイブリッド確率的手法を導入している。
  論文  参考訳（メタデータ） (2025-03-06T10:07:17Z)
• Generative AI for O-RAN Slicing: A Semi-Supervised Approach with VAE and Contrastive Learning [5.1435595246496595]
  本稿では,O-RANにおける資源割り当てとネットワークスライシングを最適化する,新しい生成型AI(GAI)による半教師付き学習アーキテクチャを提案する。 本稿では,eMBB と URLLC サービスの質を高めるために,ユーザ機器のスループット(UE)を最大化し,物理リソースブロック(PRB)を割り当てる。
  論文  参考訳（メタデータ） (2024-01-16T22:23:27Z)
• Federated Learning for Computationally-Constrained Heterogeneous Devices: A Survey [3.219812767529503]
  フェデレートラーニング(FL)は、通信オーバーヘッドとモデルの正確性の間のトレードオフをプライバシ保護する。 現実のアプリケーションに広く適用するためにFLが克服しなければならない課題について概説する。
  論文  参考訳（メタデータ） (2023-07-18T12:05:36Z)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• A Model-based GNN for Learning Precoding [37.060397377445504]
  ニューラルネットワークによる事前コーディングポリシの学習は、低複雑性のオンライン実装、チャネル障害に対する堅牢性、チャネル取得との併用最適化を可能にする。 既存のニューラルネットワークは、マルチユーザ干渉を緩和するためのプリコーディングの最適化を学ぶために使用されると、トレーニングの複雑さと一般化能力の低下に悩まされる。 数理モデルとポリシの特性を両立させることにより,プリコーディングポリシを学習するためのグラフニューラルネットワーク(GNN)を提案する。
  論文  参考訳（メタデータ） (2022-12-01T20:40:38Z)
• 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)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)

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。