論文の概要: Link Adaptation Using Joint-Thompson Sampling

• arxiv url: http://arxiv.org/abs/2607.11075v1
• Date: Mon, 13 Jul 2026 04:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.329054
• Title: Link Adaptation Using Joint-Thompson Sampling
• Title（参考訳）: ジョイント・トンプソンサンプリングを用いたリンク適応
• Abstract要約: 特定のチャネル条件に対する変調符号化(MCS)型の選択は、リンク適応(LA)アルゴリズムによって行われる。 MCS成功確率が順序づけられているという事実を利用して,ジョイント・トンプソンサンプリング(Joint-TS)アルゴリズムを提案する。 シミュレーションの結果、既存のMABアルゴリズムは特定のシナリオでフェールするが、Joint-TSは全てのシナリオで堅牢で一貫したパフォーマンスで競合スループットを提供する。
• 参考スコア（独自算出の注目度）: 3.674863913115431
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The choice of Modulation and Coding (MCS) type for a particular channel condition is made through link adaptation (LA) algorithms that operate at the MAC layer. These algorithms rely on the ACK/NACK statistics and the channel quality index (CQI) feedback. Several existing works model LA as a multi-armed bandit (MAB) problem across cellular and Wi-Fi links. In the MAB formulation, each available MCS is a Bernoulli arm parameterized by its transmission success probability, and the goal is to design a selection strategy that accrues maximum reward. Several popular MAB algorithms, such as upper confidence bound (UCB) and Thompson Sampling (TS), have been proposed in the literature. Using the fact that MCS success probabilities are ordered, we propose the Joint-Thompson Sampling (Joint-TS) algorithm. Unlike classical TS, which assumes independent Beta distributions for each arm, Joint-TS utilizes a multivariate ordered Beta distribution as the prior to preserve the inherent monotonicity of success probabilities. Our simulation results show that while existing MAB algorithms fail in specific scenarios, Joint-TS delivers competitive throughput with robust, consistent performance in all scenarios.
• Abstract（参考訳）: 特定のチャネル条件に対する変調符号化(MCS)タイプの選択は、MAC層で動作するリンク適応(LA)アルゴリズムによって行われる。 これらのアルゴリズムはACK/NACK統計とチャネル品質指標(CQI)のフィードバックに依存している。 いくつかの既存のワークスでは、携帯電話とWi-Fiのリンクにまたがるマルチアームバンディット(MAB)問題としてLAをモデル化している。 MAB の定式化では、各利用可能な MCS は送信成功確率でパラメータ化されたベルヌーイのアームであり、最大報酬を得られる選択戦略を設計することを目的としている。 この論文では、上位信頼境界 (UCB) やトンプソンサンプリング (TS) などのMABアルゴリズムが提案されている。 MCS成功確率が順序づけられているという事実を利用して,ジョイント・トンプソンサンプリング(Joint-TS)アルゴリズムを提案する。 各腕に独立したベータ分布を仮定する古典的TSとは異なり、ジョイントTSは、成功確率の固有の単調性を維持するために、前者として多変量順序ベータ分布を利用する。 シミュレーションの結果、既存のMABアルゴリズムは特定のシナリオでフェールするが、Joint-TSは全てのシナリオで堅牢で一貫したパフォーマンスで競合スループットを提供する。

関連論文リスト

• Self-Rewarding Sequential Monte Carlo for Masked Diffusion Language Models [58.946955321428845]
  本研究は自己回帰型モンテカルロ(SMC)を提示する。 提案アルゴリズムは,既存のMDLMのほとんどが信頼性に基づくサンプリング戦略に依存している点に起因している。 粒子重み付けのための自己回帰信号として軌道レベルの信頼性を導入する。
  論文  参考訳（メタデータ） (2026-02-02T09:21:45Z)
• Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness [61.87055159919641]
  マルチモーダルセマンティックセグメンテーション(MMSS)は、モーダル間で補完情報を統合することで、単一モーダルデータの制限に対処する。 顕著な進歩にもかかわらず、マルチモーダルデータ品質の変動と不確実性により、研究と実世界の展開の間に大きなギャップが持続する。 Intire-Missing Modality (EMM)、Random-Missing Modality (RMM)、Noisy Modality (NM)の3つのシナリオでMMSSモデルを評価する頑健性ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-03-24T08:46:52Z)
• Combinatorial Multivariant Multi-Armed Bandits with Applications to Episodic Reinforcement Learning and Beyond [58.39457881271146]
  CMAB(Multi-armed bandits)の多変量および確率的トリガーアーム(CMAB-MT)を用いた新しい枠組みを導入する。 CMAB-MTは既存のCMABと比べ、モデリング能力を高めるだけでなく、多変量確率変数の異なる統計特性を活用することで結果を改善することができる。 本フレームワークは, エピソード強化学習(RL)や商品分布の確率的最大カバレッジなど, 応用として多くの重要な問題を含むことができる。
  論文  参考訳（メタデータ） (2024-06-03T14:48:53Z)
• Multiplex-detection Based Multiple Instance Learning Network for Whole Slide Image Classification [2.61155594652503]
  マルチ・インスタンス・ラーニング(MIL)は、診断病理のためのスライド画像全体(WSI)を分類する強力な手法である。 本稿では,上記の問題に対処するために,MDMIL(Multiple-detection-based multiple instance learning)を提案する。 具体的には、MDMILは内部クエリ生成モジュール(IQGM)と多重検出モジュール(MDM)によって構成される。
  論文  参考訳（メタデータ） (2022-08-06T14:36:48Z)
• COAST: COntrollable Arbitrary-Sampling NeTwork for Compressive Sensing [27.870537087888334]
  本研究では,任意のサンプリング(サンプリング行列を含む)の問題を1つのモデルで解くために,COAST(Arbitrary-Sampling neTwork)を提案する。 COASTは1つのモデルで任意のサンプリング行列を処理でき、高速で最先端のパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-07-15T10:05:00Z)
• Markov Decision Process modeled with Bandits for Sequential Decision Making in Linear-flow [73.1896399783641]
  会員/加入者の獲得と保持では、複数のページを連続してマーケティングコンテンツを推奨する必要がある。 遷移確率行列をモデル化するためにBandits を用いた MDP としてこの問題を定式化することを提案する。 提案したMDPのBanditsアルゴリズムは,$epsilon$-greedyと$epsilon$-greedy,$epsilon$,IndependentBandits,InteractionBanditsでQ-learningを上回っている。
  論文  参考訳（メタデータ） (2021-07-01T03:54:36Z)
• Multi-armed Bandit Algorithms on System-on-Chip: Go Frequentist or Bayesian? [0.0]
  Multi-armed Bandit (MAB)アルゴリズムは、複数の腕の中で最高の腕を識別する。 再構成可能でインテリジェントなMAB(RI-MAB)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-05T10:07:31Z)
• Joint Learning of Probabilistic and Geometric Shaping for Coded Modulation Systems [12.325545487629297]
  ビットワイド相互情報(BMI)の協調最適化を可能にするトレーニング可能な符号化変調方式を提案する。 提案手法は対称確率分布に制限されず、任意のチャネルモデルに最適化でき、任意のコードレート$k/m$で動作する。
  論文  参考訳（メタデータ） (2020-04-10T14:56:32Z)

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。