論文の概要: Multi-Agent Spectrum Sharing

• arxiv url: http://arxiv.org/abs/2610.04802v1
• Date: Sat, 03 Oct 2026 23:04:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 08:49:29.034549
• Title: Multi-Agent Spectrum Sharing
• Title（参考訳）: マルチエージェントスペクトル共有
• Abstract要約: このプロジェクトでは、複数の認知レーダが、互いに干渉することなく、無線の限られたスペクトルを他の無線ユーザーと共有する方法を探求する。 機械学習(ML)を使用して、各デバイスは、固定された100MHz帯域内で送信する場所と範囲を独立に決定する。 目標は、将来の無線通信システムをサポートするための、フレキシブルでスケーラブルなスペクトル共有アプローチを開発することである。
• 参考スコア（独自算出の注目度）: 1.014916039599296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This project explores how multiple cognitive radars can learn to share limited wireless spectrum with other radio users without interfering with one another. Using machine learning (ML), each device independently decides where and how widely to transmit within a fixed 100 MHz band. The system analyzes real or simulated signal activity to detect which parts of the spectrum are currently in use and which are open. Based on this information, the devices adapt their transmission choices to avoid crowded frequencies while making efficient use of available space. The goal is to develop a flexible, scalable approach to spectrum sharing that could support future wireless communication systems. Experimental results using both over-the-air software-defined radio (SDR) recordings and simulated environments demonstrate that the proposed meta-learning approach consistently balances competing objectives better than conventional reinforcement learning (RL) methods in multi-agent spectrum-sharing scenarios. Across five multi-agent benchmark environments, our proposed method achieved the highest average reward among the primary baseline algorithms while simultaneously maintaining low collision rates and stable transmission behavior.
• Abstract（参考訳）: このプロジェクトでは、複数の認知レーダが、互いに干渉することなく、無線の限られたスペクトルを他の無線ユーザーと共有する方法を探求する。 機械学習(ML)を使用して、各デバイスは、固定された100MHz帯域内で送信する場所と範囲を独立に決定する。 このシステムは、実またはシミュレートされた信号のアクティビティを分析し、どのスペクトルが現在使われているか、どの領域が開いているかを検出する。 この情報に基づいて、デバイスは送信選択に適応し、使用可能な空間を効率的に利用しながら、混雑する周波数を避ける。 目標は、将来の無線通信システムをサポートするための、フレキシブルでスケーラブルなスペクトル共有アプローチを開発することである。 オーバー・ザ・エア・ソフトウェア定義無線(SDR)記録とシミュレーション環境の両方を用いた実験結果から,提案手法は,マルチエージェントスペクトル共有シナリオにおける従来の強化学習(RL)手法よりも,競合する目標を一貫してバランスさせることを示した。 提案手法は, 5つのマルチエージェントベンチマーク環境において, 低衝突速度と安定透過挙動を同時に維持しつつ, 一次ベースラインアルゴリズムの中で最高の平均報酬を達成できた。

関連論文リスト

• Spectrum Shortage for Radio Sensing? Leveraging Ambient 5G Signals for Human Activity Detection [5.225254533678075]
  Ambient Radio Sensing (ARS) はISACのアプローチであり、無線信号を無線で再送することでスペクトルの希少性に対処する。 ARSは、受動的に通信信号を受信し、それを増幅して周囲の物体を照らし、反射した信号をキャプチャするスタンドアロンデバイスとして機能する。 我々は,ARSのプロトタイプを開発し,周辺5G信号を用いた広範囲な実験によりその有効性を検証した。
  論文  参考訳（メタデータ） (2026-03-03T23:18:03Z)
• Scalable Spectrum Availability Prediction using a Markov Chain Framework and ITU-R Propagation Models [0.0]
  本稿では、スペクトル可用性予測のためのスケーラブルなフレームワークを提案する。 一次ユーザ活動の2状態マルコフ連鎖モデルとITU-Rからの高忠実な伝播モデルを組み合わせる。 フレームワークは柔軟で、様々な周波数帯域やシナリオに適応できる。
  論文  参考訳（メタデータ） (2025-07-30T03:22:55Z)
• SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
  既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。 本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。 実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-02T04:06:39Z)
• Dynamic Spectrum Access for Ambient Backscatter Communication-assisted D2D Systems with Quantum Reinforcement Learning [68.63990729719369]
  無線スペクトルは乏しくなり、D2D通信のスペクトル効率は低い。 本稿では, 周囲RF信号の後方散乱を可能にするために, 環境後方散乱通信技術をD2Dデバイスに統合することを目的とする。 我々は、より少ないトレーニングパラメータでより高速な収束率を達成することができる新しい量子強化学習(RL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-23T15:36:43Z)
• Realtime Spectrum Monitoring via Reinforcement Learning -- A Comparison Between Q-Learning and Heuristic Methods [0.0]
  利用可能なレシーバリソースを制御するための2つのアプローチを比較した。 使用するQ-ラーニングアルゴリズムは、より少ない探索率を犠牲にして、アプローチよりもはるかに高い検出率を有する。
  論文  参考訳（メタデータ） (2023-07-11T19:40:02Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Cooperative Multi-Agent Reinforcement Learning Based Distributed Dynamic Spectrum Access in Cognitive Radio Networks [46.723006378363785]
  ダイナミックスペクトルアクセス(DSA)は、非効率的なスペクトル利用の問題を改善するための、有望なパラダイムである。 本稿では,一般的な認知無線ネットワークにおけるマルチユーザに対する分散DSA問題について検討する。 我々は、各認知ユーザに対する状態の部分的観測可能性に対処するために、DRQN(Deep Recurrent Q-network)を用いている。
  論文  参考訳（メタデータ） (2021-06-17T06:52:21Z)
• Machine Learning Framework for Sensing and Modeling Interference in IoT Frequency Bands [2.6839965970551276]
  モノのインターネットをサポートする新しいアクセス技術によって、スペクトルの占有度をよりよく理解する必要性が高まっている。 共有帯域におけるIoTアプリケーションのための短時間スペクトル占有のトラフィック挙動をキャプチャし、モデル化し、既存の干渉を判定するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-10T19:10:40Z)
• Distributional Reinforcement Learning for mmWave Communications with Intelligent Reflectors on a UAV [119.97450366894718]
  無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。 ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
  論文  参考訳（メタデータ） (2020-11-03T16:50:37Z)

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。