論文の概要: Joint Movement and Compression Ratio Design for Mobile Embodied AI Networks (MEAN)

• arxiv url: http://arxiv.org/abs/2610.02334v1
• Date: Thu, 01 Oct 2026 18:07:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 19:20:54.745307
• Title: Joint Movement and Compression Ratio Design for Mobile Embodied AI Networks (MEAN)
• Title（参考訳）: 移動体型AIネットワーク(MEAN)のジョイントムーブメントと圧縮比設計
• Abstract要約: モバイルエンボディAIネットワーク(MEAN)は、エンボディエージェントが無線環境において知覚、理性、コミュニケーション、行動を可能にする。 我々は、制御可能な電力制約の下で、送信電力、移動距離、意味圧縮比を共同最適化することで問題を定式化する。 提案手法はモビリティや圧縮のベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 34.869697409828596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile embodied AI networks (MEAN) enable embodied agents to perceive, reason, communicate, and act in wireless environments. In such networks, agent mobility can improve channel conditions, while semantic compression can reduce transmission payloads. However, movement consumes energy, and stronger compression incurs additional computational cost. This paper studies joint movement, semantic compression, and transmit power design for an uplink MEAN system. We formulate a max-min energy efficiency (EE) problem by jointly optimizing transmit power, movement distance, and semantic compression ratio under controllable power constraints. The problem is non-convex due to the coupled signal-to-interference-plus-noise ratio (SINR), mobility-dependent channel gains, and fractional EE objective. To solve it, we propose an alternating optimization (AO)-Dinkelbach algorithm, where the fractional objective is handled by the Dinkelbach transformation, transmit power is updated via successive convex approximation (SCA), and movement distance is updated by coordinate-wise grid search. Simulation results show that the proposed scheme outperforms no-mobility and no-compression baselines, demonstrating the benefit of jointly exploiting mobility control, semantic compression, and power allocation in MEAN.
• Abstract（参考訳）: モバイルエンボディAIネットワーク(MEAN)は、エンボディエージェントが無線環境において知覚、理性、コミュニケーション、行動を可能にする。 このようなネットワークでは、エージェントモビリティはチャネル条件を改善することができ、セマンティック圧縮は送信ペイロードを減らすことができる。 しかし、運動はエネルギーを消費し、より強い圧縮は計算コストを増大させる。 本稿では,アップリンクMEANシステムにおけるジョイントムーブメント,セマンティック圧縮,送信電力設計について検討する。 我々は、制御可能な電力制約の下で、送信電力、移動距離、意味圧縮比を共同最適化することにより、最大エネルギー効率(EE)問題を定式化する。 この問題は、信号対干渉+雑音比(SINR)、移動依存チャネルゲイン、分数EEの目的による非凸である。 そこで本稿では,Dinkelbach変換によって分数目的を処理し,連続凸近似(SCA)により送信電力を更新し,座標ワイドグリッド探索により移動距離を更新する交互最適化(AO)-Dinkelbachアルゴリズムを提案する。 シミュレーションの結果,提案手法はモビリティや非圧縮ベースラインよりも優れており,MEANにおけるモビリティ制御,セマンティック圧縮,パワーアロケーションを併用するメリットが示された。

関連論文リスト

• Parameter Efficient Hybrid Transformer (PEHT) for Network Traffic Prediction via Dynamic Urban Congestion Integration [0.8717253904965373]
  本稿ではそのことを紹介します。 Efficient Hybrid Transformer (PEHT) - ネットワークトラフィック予測フレームワーク。 都市移動と混雑情報をTransformerベースのアーキテクチャに統合する。 実験の結果、PEHTはRMSE、MAE、R2$で最先端のベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-06-26T17:17:17Z)
• World Model-Enabled Causal Digital Twins for Semantic Communications in Physical AI Systems [37.02293452905313]
  本稿では,クローズドループセンシング-通信-推論制御を用いた物理AIシステムにおける目標指向のセマンティックコミュニケーションについて検討する。 特に、セマンティック通信の問題は、無線ビット予算制約の下で、ビット当たりの長期的な戻り値として定式化される。 閉ループAIシステムのダイナミクスを捉えるために,世界モデル対応因果デジタルツイン(WM-CDT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-15T18:41:51Z)
• Resource Allocation in Hybrid Radio-Optical IoT Networks using GNN with Multi-task Learning [11.833896722352568]
  本稿では,光ニューラルOWCと電波周波数(RF)を統合したハイブリッドモノのインターネット(IoT)ネットワークにおけるデュアルテクノロジースケジューリングの問題に対処する。 本稿では,2段階グラフ埋め込みとトランスフォーマー(DGET)フレームワークを組み合わせた教師付きマルチタスク学習アーキテクチャを提案する。 提案フレームワークは、90%以上の分類精度で最適に近いスケジューリングを実現し、計算複雑性を低減し、部分的なチャネルオブザーバビリティの下で高いロバスト性を示す。
  論文  参考訳（メタデータ） (2025-10-29T15:02:28Z)
• PASS-Enhanced MEC: Joint Optimization of Task Offloading and Uplink PASS Beamforming [67.78883135636657]
  ピンチアンテナシステム (PASS) によるモバイルエッジコンピューティング (MEC) アーキテクチャについて検討した。 PASSは、重要な経路損失と潜在的な信号遮断を効果的に軽減しつつ、短距離ライン・オブ・ライト(LoS)リンクを確立する。 ネットワーク遅延最小化問題を定式化し、アップリンクPASSビームフォーミングとタスクオフロードを共同で最適化する。
  論文  参考訳（メタデータ） (2025-10-27T03:04:46Z)
• Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
  チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。 提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
  論文  参考訳（メタデータ） (2025-09-16T08:48:44Z)
• Modeling and Performance Analysis for Semantic Communications Based on Empirical Results [53.805458017074294]
  終端計測とSNRの関係をモデル化するためのAlpha-Beta-Gamma (ABG) 式を提案する。 画像再構成タスクでは、提案されたABG公式は、SCUNetやVision Transformerといった一般的なDLネットワークに適合する。 我々の知る限りでは、これはエンドツーエンドのパフォーマンス指標と意味コミュニケーションのためのSNRの間の最初の理論的表現である。
  論文  参考訳（メタデータ） (2025-04-29T06:07:50Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)
• Communication Efficient Federated Learning with Energy Awareness over Wireless Networks [51.645564534597625]
  フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。 我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。 2つの最適化問題を定式化し、学習性能を最適化する。 FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-15T21:25:13Z)

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。