論文の概要: Federated Multi Agent Deep Learning and Neural Networks for Advanced Distributed Sensing in Wireless Networks
- arxiv url: http://arxiv.org/abs/2603.16881v1
- Date: Tue, 24 Feb 2026 21:11:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.357009
- Title: Federated Multi Agent Deep Learning and Neural Networks for Advanced Distributed Sensing in Wireless Networks
- Title（参考訳）: 無線ネットワークにおける高度な分散センシングのためのフェデレーションマルチエージェント深層学習とニューラルネットワーク
- Authors: Nadine Muller, Stefano DeRosa, Su Zhang, Chun Lee Huan,
- Abstract要約: マルチエージェントディープラーニング(MADL)は,無線システムにおける推論の統一フレームワークになりつつある。
最近の5G-Advancedと6Gのビジョンは、統合されたセンシングと通信によってこの結合を強化する。
本調査は,分散センシングおよび無線通信のためのMADLに関する2021-2025研究を中心に,技術の現状を要約する。
- 参考スコア（独自算出の注目度）: 1.1014869877142284
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent deep learning (MADL), including multi-agent deep reinforcement learning (MADRL), distributed/federated training, and graph-structured neural networks, is becoming a unifying framework for decision-making and inference in wireless systems where sensing, communication, and computing are tightly coupled. Recent 5G-Advanced and 6G visions strengthen this coupling through integrated sensing and communication, edge intelligence, open programmable RAN, and non-terrestrial/UAV networking, which create decentralized, partially observed, time-varying, and resource-constrained control problems. This survey synthesizes the state of the art, with emphasis on 2021-2025 research, on MADL for distributed sensing and wireless communications. We present a task-driven taxonomy across (i) learning formulations (Markov games, Dec-POMDPs, CTDE), (ii) neural architectures (GNN-based radio resource management, attention-based policies, hierarchical learning, and over-the-air aggregation), (iii) advanced techniques (federated reinforcement learning, communication-efficient federated deep RL, and serverless edge learning orchestration), and (iv) application domains (MEC offloading with slicing, UAV-enabled heterogeneous networks with power-domain NOMA, intrusion detection in sensor networks, and ISAC-driven perceptive mobile networks). We also provide comparative tables of algorithms, training topologies, and system-level trade-offs in latency, spectral efficiency, energy, privacy, and robustness. Finally, we identify open issues including scalability, non-stationarity, security against poisoning and backdoors, communication overhead, and real-time safety, and outline research directions toward 6G-native sense-communicate-compute-learn systems.
- Abstract（参考訳）: マルチエージェントディープ・ラーニング(MADL)は、マルチエージェントディープ・強化学習(MADRL)、分散/フェデレーショントレーニング、グラフ構造化ニューラルネットワークを含む、センシング、通信、コンピューティングが緊密に結合された無線システムにおいて、意思決定と推論のための統一的なフレームワークになりつつある。
最近の5G-Advancedと6Gのビジョンは、統合されたセンシングとコミュニケーション、エッジインテリジェンス、オープンプログラム可能なRAN、および非地球/UAVネットワークによってこの結合を強化し、分散化、部分的に観察され、時間変化、リソース制約のある制御問題を生成する。
本調査は,分散センシングおよび無線通信のためのMADLに関する2021-2025研究を中心に,最先端の技術を合成する。
我々はタスク駆動型分類を横断的に提示する
(i)学習定式化(マルコフゲーム、Dec-POMDP、CTDE)
(II)ニューラルアーキテクチャ(GNNベースの無線資源管理、アテンションベースのポリシー、階層的学習、大気上の集約)
三 高度な技術(強化学習、コミュニケーション効率の高い深層RL、サーバーレスエッジ学習オーケストレーション)
(4)アプリケーションドメイン(スライシングによるMECオフロード、電力ドメインNOMAによるUAV対応異種ネットワーク、センサネットワークにおける侵入検出、ISAC駆動の知覚型モバイルネットワーク)。
また、レイテンシ、スペクトル効率、エネルギー、プライバシ、堅牢性におけるアルゴリズムの比較表、トレーニングトポロジ、システムレベルのトレードオフも提供しています。
最後に, スケーラビリティ, 非定常性, 中毒やバックドアに対するセキュリティ, 通信オーバーヘッド, リアルタイム安全性など, オープンな課題を特定し, 6Gネイティブな知能・通信・学習システムに向けた研究の方向性を概説する。
関連論文リスト
- FRIEND: Federated Learning for Joint Optimization of multi-RIS Configuration and Eavesdropper Intelligent Detection in B5G Networks [3.809709581796032]
We present a novel framework for detection malicious users in RIS-enhanced cell-free mmWave network using Federated Learning (FL) using Federated Learning (FL)。
FLとMulti-RISの連携は,ベースライン非RIS支援法と比較して,達成された秘密保持率(SR)を約30%向上させることを示した。
この研究は、次世代IIoTデプロイメントに適した物理的レイヤの盗聴検出に対する、分散されたプライバシ保護アプローチを確立する。
論文 参考訳（メタデータ） (2026-03-11T17:02:40Z) - IMAGINE: Intelligent Multi-Agent Godot-based Indoor Networked Exploration [0.0]
本稿では,2次元屋内環境における課題に対処するために,MARL(Multi-Agent Reinforcement Learning)を実装した。
政策訓練は、不確実性の下で創発的な協調行動と意思決定を達成することを目的としている。
論文 参考訳（メタデータ） (2026-02-02T22:08:41Z) - AI-Native Integrated Sensing and Communications for Self-Organizing Wireless Networks: Architectures, Learning Paradigms, and System-Level Design [0.0]
次世代無線ネットワークの基本パラダイムとして、ISAC(Integrated Sensing and Communications)が登場している。
無線センシングと通信機能を密結合することにより、ISACは状況認識、ローカライゼーション、トラッキング、ネットワーク適応のための新しい機能を解放する。
この調査は、AIネイティブなISAC対応の自己組織化無線ネットワークの包括的でシステムレベルのレビューを提供する。
論文 参考訳（メタデータ） (2025-12-29T05:45:57Z) - Towards 6G Native-AI Edge Networks: A Semantic-Aware and Agentic Intelligence Paradigm [85.7583231789615]
6Gはインテリジェンスをネイティブネットワークの能力として位置づけ、無線アクセスネットワーク(RAN)の設計を変革する
このビジョンの中では、セマンティック・ネイティブのコミュニケーションとエージェント・インテリジェンスが中心的な役割を果たすことが期待されている。
エージェントインテリジェンスは、RANエンティティに目標駆動の自律性、推論、計画、マルチエージェントコラボレーションを提供する。
論文 参考訳（メタデータ） (2025-12-04T03:09:33Z) - A Survey on Cloud-Edge-Terminal Collaborative Intelligence in AIoT Networks [49.90474228895655]
クラウドエッジ端末協調インテリジェンス(CETCI)は、モノの人工知能(AIoT)コミュニティにおける基本的なパラダイムである。
CETCIは、分離されたレイヤ最適化からデプロイ可能なコラボレーティブインテリジェンスシステムに移行する、新興のAIoTアプリケーションで大きな進歩を遂げた。
本調査では、基礎アーキテクチャ、CETCIパラダイムのテクノロジの実現、シナリオについて解説し、CISAIOT初心者向けのチュートリアルスタイルのレビューを提供する。
論文 参考訳（メタデータ） (2025-08-26T08:38:01Z) - Fog Intelligence for Network Anomaly Detection [3.230612263337109]
我々は、インテリジェントな無線ネットワーク管理を可能にする分散機械学習アーキテクチャであるフォグインテリジェンスを提案する。
提案したアーキテクチャはスケーラブルで、プライバシ保護が可能で、分散無線ネットワークのインテリジェントな管理に適している。
論文 参考訳（メタデータ） (2025-05-27T03:35:07Z) - 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) - 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) - Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G
Latency Sensitive Services [10.718353079920007]
本論文では、無線アクセスネットワークスライスと無線リソース管理に対処するために、ネットワークの端でDeep Reinforcement Learningを利用する新しいアーキテクチャを提案する。
提案手法の有効性を,自律走行型ユースケースを考慮したコンピュータシミュレーションにより検討した。
論文 参考訳（メタデータ） (2021-03-18T14:18:34Z) - A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning [115.75967665222635]
超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。
ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。
このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
論文 参考訳（メタデータ） (2020-09-13T14:53:01Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。