Fugu-MT 論文翻訳(概要): Cooperative Deep Reinforcement Learning for Fair RIS Allocation

論文の概要: Cooperative Deep Reinforcement Learning for Fair RIS Allocation

arxiv url: http://arxiv.org/abs/2603.25572v1
Date: Thu, 26 Mar 2026 15:46:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-27 20:52:48.366157
Title: Cooperative Deep Reinforcement Learning for Fair RIS Allocation
Title（参考訳）: フェアRISアロケーションのための協調的深層強化学習
Authors: Martin Mark Zan, Stefan Schwarz,
Abstract要約: RISは、競合する基地局間で動的に割り当てられなければならない共有インフラストラクチャであると考えている。フェアネスを考慮した協調型マルチエージェント強化学習手法を提案する。その結果,提案フレームワークはRIS資源をより弱い性能の細胞に効果的に再分配することがわかった。
参考スコア（独自算出の注目度）: 2.217288163160845
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The deployment of reconfigurable intelligent surfaces (RISs) introduces new challenges for resource allocation in multi-cell wireless networks, particularly when user loads are uneven across base stations. In this work, we consider RISs as shared infrastructure that must be dynamically assigned among competing base stations, and we address this problem using a simultaneous ascending auction mechanism. To mitigate performance imbalances between cells, we propose a fairness-aware collaborative multi-agent reinforcement learning approach in which base stations adapt their bidding strategies based on both expected utility gains and relative service quality. A centrally computed performance-dependent fairness indicator is incorporated into the agents' observations, enabling implicit coordination without direct inter-base-station communication. Simulation results show that the proposed framework effectively redistributes RIS resources toward weaker-performing cells, substantially improving the rates of the worst-served users while preserving overall throughput. The results demonstrate that fairness-oriented RIS allocation can be achieved through cooperative learning, providing a flexible tool for balancing efficiency and equity in future wireless networks.
Abstract（参考訳）: 再構成可能なインテリジェントサーフェス(RIS)のデプロイは、特にユーザ負荷が基地局間で不均一である場合、マルチセル無線ネットワークにおけるリソース割り当てに新たな課題をもたらす。本研究では,RISを,競合する基地局間で動的に割り当てなければならない共有インフラストラクチャとみなし,同時に上昇するオークション機構を用いてこの問題に対処する。セル間の性能不均衡を軽減するため,基地局が期待されるユーティリティゲインと相対サービス品質の両方に基づいて入札戦略を適応する,公正な協調型マルチエージェント強化学習手法を提案する。中央に計算されたパフォーマンス依存の公正度指標がエージェントの観察に組み込まれ、直接基地間通信なしで暗黙の協調を可能にする。シミュレーションの結果、提案フレームワークはRISリソースをより弱い性能の細胞に効果的に再分配し、全体のスループットを保ちながら、最悪のユーザ率を大幅に向上することを示した。その結果,協調学習によって公平性指向RISアロケーションが達成できることが示され,将来の無線ネットワークにおける効率性と株式のバランスをとる柔軟なツールが提供される。

関連論文リスト

DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
論文参考訳（メタデータ） (2026-03-16T02:02:38Z)
Heterogeneous Agent Collaborative Reinforcement Learning [52.99813668995983]
不均一エージェント協調強化学習(HACRL) 本稿では,このパラダイムに基づいて,サンプル利用とエージェント間の知識伝達を最大化するために,原則的なロールアウト共有を可能にする協調RLアルゴリズムであるHACPOを提案する。多様な異種モデルの組み合わせと推論ベンチマークによる実験により、HACPOはすべてのエージェントを一貫して改善し、GSPOを平均3.3%上回り、ロールアウトコストの半分しか使っていないことが示された。
論文参考訳（メタデータ） (2026-03-03T05:09:49Z)
Auction-Based RIS Allocation With DRL: Controlling the Cost-Performance Trade-Off [2.217288163160845]
基地局がセルエッジに配置した共有RISユニットの制御を競うマルチセル無線ネットワークにおいて,再構成可能なRIS(Reconfigurable intelligent surface)の割り当てについて検討した。予算制約に固執しながら性能を最大化することを学ぶ深層強化学習(DRL)エージェントを統合する。本研究は,次世代無線ネットワークにおけるRISの効率的かつ公平な利用のために,オークションベースのアロケーションと適応RL機構を組み合わせる可能性を強調した。
論文参考訳（メタデータ） (2026-02-18T06:22:14Z)
Bayesian Optimization for Non-Cooperative Game-Based Radio Resource Management [3.652142532307204]
本稿では、スペクトル共有BS間の資源配分を非協調ゲームとして定式化する。逐次決定-評価ペアから学習する新しいベイズ最適化戦略であるPPR-UCBを提案する。マルチセルマルチアンテナシステムにおけるダウンリンク伝送電力配分実験は、PPR-UCBの効率を実証する。
論文参考訳（メタデータ） (2025-12-01T03:44:43Z)
Federated Attention: A Distributed Paradigm for Collaborative LLM Inference over Edge Networks [63.541114376141735]
大規模言語モデル(LLM)は、さまざまなアプリケーションシナリオにまたがってインテリジェントな機能を提供しながら、急速に普及しています。しかし、彼らの共同シナリオにおける実践的なデプロイは、プライバシの脆弱性、通信オーバーヘッド、計算ボトルネックといった根本的な課題に直面します。我々はフェデレート・アテンション(FedAttn)を提案し、フェデレーション・パラダイムを自己注意機構に統合する。
論文参考訳（メタデータ） (2025-11-04T15:14:58Z)
Client Selection Strategies for Federated Semantic Communications in Heterogeneous IoT Networks [0.3683202928838613]
IoTデバイスの指数的成長は、帯域幅制限の無線ネットワークにおいて重要な課題となる。本稿では,画像再構成のための帯域効率の良いモデルの協調学習を可能にする,新しい意味コミュニケーションフレームワークを提案する。
論文参考訳（メタデータ） (2025-06-20T15:11:20Z)
Cluster-Aware Multi-Round Update for Wireless Federated Learning in Heterogeneous Environments [25.405210975577834]
本稿では、類似したデータと通信特性を持つグループデバイスとの事前知識の類似性を活用するクラスタリング戦略を提案する。クラスタを基本単位として扱い、クラスタ化されたコントリビューションしきい値に基づいてローカル更新頻度を調整する新しいクラスタ・アウェア・マルチラウンド・アップデート(CAMU)戦略を提案する。
論文参考訳（メタデータ） (2025-05-06T02:48:48Z)
Heterogeneous Multi-Agent Reinforcement Learning for Distributed Channel Access in WLANs [47.600901884970845]
本稿では,マルチエージェント強化学習(MARL)を用いて,無線ローカルネットワークにおける分散チャネルアクセスに対処する。特に、エージェントがモデルトレーニングに価値ベースまたはポリシーベースの強化学習アルゴリズムを不均一に採用する、より実践的なケースについて考察する。我々は、分散実行パラダイムを用いた集中型トレーニングを採用し、異種エージェントの協調を可能にする、異種MARLトレーニングフレームワークQPMIXを提案する。
論文参考訳（メタデータ） (2024-12-18T13:50:31Z)
A Federated Reinforcement Learning Framework for Link Activation in Multi-link Wi-Fi Networks [3.093231349723552]
マルチリンク操作(MLO)は、高い干渉とチャネル競合が生じ、性能と信頼性が低下する。本稿では,複数の分散エージェント間でデータを交換することなくモデルを学習するための協調機械学習手法を提案する。その結果,FRLをベースとした分散MLO-LA戦略により,スループットの公平性が向上し,信頼性が向上した。
論文参考訳（メタデータ） (2023-04-28T09:39:10Z)
Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文参考訳（メタデータ） (2023-04-07T13:41:08Z)
Federated Distributionally Robust Optimization for Phase Configuration of RISs [106.4688072667105]
我々は、教師付き学習環境において、多種多様なRISタイプ上での堅牢な再構成可能なインテリジェントサーフェス(RIS)支援ダウンリンク通信の問題について検討する。異種RIS設計上のダウンリンク通信を分散的に位相構成を最適化する方法を学ぶ異なる労働者としてモデル化することにより、分散学習問題を解決することができる。提案アルゴリズムは, 競合するベースラインと比較して, 最悪の分布精度を実現するために, 通信ラウンドを少なくする必要がある。
論文参考訳（メタデータ） (2021-08-20T07:07:45Z)

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。