論文の概要: Spatio-Temporal Scheduling Prediction Under Backhaul Delay for Resilient Coordinated Beamforming

• arxiv url: http://arxiv.org/abs/2607.08454v1
• Date: Thu, 09 Jul 2026 13:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.547023
• Title: Spatio-Temporal Scheduling Prediction Under Backhaul Delay for Resilient Coordinated Beamforming
• Title（参考訳）: 弾性配向ビームフォーミングにおけるバックホール遅延時の時空間スケジューリング予測
• Authors: Prashant Kumar Singh, Shubham Vaishnav, Ahmet Hasim Gökceoglu, Li Wang,
• Abstract要約: 分散5Gネットワークにおけるビームフォーミングはセル間スケジューリング情報のタイムリーな交換に依存する。 単一の伝送時間間隔(TTI)であっても、未調整のベースライン以下ではCBF-SLNR性能が低下する可能性がある。 本稿では、スペクトル時間グラフニューラルネットワーク(StemGNN)が、遅延した歴史的観測から将来のユーザ機器(UE)スケジューリング状態を予測できる2段階予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.6199192690853255
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Coordinated beamforming in distributed 5G networks relies on the timely exchange of inter-cell scheduling information, but backhaul latency makes this information stale. Even a single transmission time interval (TTI) of delay can reduce CBF-SLNR performance below the uncoordinated baseline, because the precoder suppresses interference toward users that are no longer active. Coordination on stale information is therefore worse than no coordination at all. To address this, we propose a two-stage predictive framework in which a Spectral Temporal Graph Neural Network (StemGNN) predicts future user equipment (UE) scheduling states from delayed historical observations, and the predictions replace stale inputs to the CBF-SLNR precoder. Evaluated on a three-cell massive MIMO downlink with 60 UEs and 64 antennas per base station under Quadriga Urban Micro (UMi) channels and a proportional fair scheduler, StemGNN achieves a mean scheduling prediction accuracy of 87.57%, outperforming LSTM, GRU, Simple RNN, and Markov chain baselines at all evaluated horizons, with gains of up to 7.71% over LSTM at longer horizons where inter-UE structural dependencies dominate over temporal autocorrelation. When integrated into coordinated beamforming, the predictions recover 57-73% of the sum rate loss caused by one TTI of backhaul delay, improving sum rate by 9.58-14.35% over the no-prediction baseline and recovering up to 83% of the Lag-1 fairness loss for cell-edge users, with fairness gains persisting at higher lag values where throughput gains diminish. These results show that treating backhaul latency as a spatio-temporal forecasting problem is an effective approach for robust inter-cell coordination in delay-constrained networks.
• Abstract（参考訳）: 分散5Gネットワークにおける協調ビームフォーミングはセル間スケジューリング情報のタイムリーな交換に依存している。 遅延の単一伝送時間間隔(TTI)であっても、プリコーダがアクティブでないユーザに対する干渉を抑制するため、CBF-SLNR性能を非コーディネートベースライン以下に低下させることができる。 したがって、古い情報のコーディネーションは、調整が全くないよりも悪い。 これを解決するために、スペクトル時間グラフニューラルネットワーク(StemGNN)が、遅延した履歴観測から将来のユーザ機器(UE)スケジューリング状態を予測し、CBF-SLNRプリコーダへの古い入力を置き換える2段階の予測フレームワークを提案する。 3セルのMIMOダウンリンクと、Quadriga Urban Micro (UMi)チャネルと比例フェアスケジューラによるベースステーション毎の60 UEと64 アンテナで評価され、LSTM、GRU、Simple RNN、Markov チェーンベースラインよりも平均予測精度が87.57%向上し、時間的自己相関よりも長い地平線ではLSTMよりも7.71%向上した。 座標ビームフォーミングに統合されると、バックホール遅延の1つのTTIによる和率損失の57-73%を回復し、非予測ベースラインで9.58-14.35%の和率を向上し、セルエッジユーザーのLag-1フェアネス損失の83%を回復し、スループットが低下する高いラグ値でフェアネスゲインが持続する。 これらの結果から,バックホール遅延を時空間予測問題として扱うことは,遅延拘束ネットワークにおけるセル間コーディネーションの堅牢化に有効な手法であることが示唆された。

関連論文リスト

• Parameter-Efficient Quantum-Inspired Fast Weight Programmers for Traffic-Matrix Forecasting [10.494232787136452]
  本稿では, 専用グラフ, 変圧器, 拡散モジュールを使わずに, コンパクトな量子インスピレーション・リカレントモデルにより, 効率的なTM予測が可能かどうかを考察する。 我々は、Abilene TM 予測を指向するために、ゲート量子インスパイアされた Kolmogorov-Arnold ネットワーク高速プログラマ (QKAN-FWPs) を適用した。 固定予算学習プロトコルを用いて、マッチングサイズ長短メモリ(LSTM)ネットワーク、より大きなLSTM、および古典的な高速なプログラマに対して、QKAN配置の3つのバリエーションをベンチマークする。
  論文  参考訳（メタデータ） (2026-06-26T08:02:27Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• Scalable Transit Delay Prediction at City Scale: A Systematic Approach with Multi-Resolution Feature Engineering and Deep Learning [1.065661841579261]
  既存の遅延予測システムは、手作りの機能に依存し、再利用可能なアーキテクチャを設計する方法についてはほとんどガイダンスを提供していない。 本稿では,マルチレゾリューション機能工学,次元減少,深層学習を組み合わせた都市規模の予測パイプラインを提案する。 クラスタ認識機能を備えたグローバルLSTMは、精度と効率の最良のトレードオフを実現し、トランスフォーマーモデルを1852%から52%向上させる。
  論文  参考訳（メタデータ） (2026-01-26T14:30:50Z)
• Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
  本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。 マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
  論文  参考訳（メタデータ） (2025-11-25T05:57:29Z)
• Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
  スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。 本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。 我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-27T22:31:24Z)
• Open-Vocabulary Spatio-Temporal Scene Graph for Robot Perception and Teleoperation Planning [55.90805559207812]
  動的リモートシーンでは、双方向通信における伝送遅延は、リモート認識状態とオペレータ意図の間のギャップを生じさせる。 本稿では,時間的ダイナミクスと軽量遅延アノテーションを用いて,オープン語彙認識を充実させる表現を提案する。 提案手法はReplicaベンチマークで74%のノード精度を実現し,Concept.Graphよりも優れていた。
  論文  参考訳（メタデータ） (2025-09-27T04:31:24Z)
• Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
  本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。 軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。 提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
  論文  参考訳（メタデータ） (2024-04-02T11:59:58Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Switching in the Rain: Predictive Wireless x-haul Network Reconfiguration [17.891837432766764]
  無線x-haulネットワークは、超高速データレートと超低レイテンシをサポートするために、4Gおよび/または5Gベースステーション間のマイクロ波およびミリ波リンクに依存している。 降水は信号の減衰を引き起こし、ネットワーク性能を著しく低下させる。 本研究では,履歴データを用いた予測ネットワーク再構成フレームワークを開発し,各リンクの将来の状態を予測し,瞬時障害に備えてネットワークを前もって準備する。
  論文  参考訳（メタデータ） (2022-03-07T13:40:38Z)

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。