Fugu-MT 論文翻訳(概要): Combining Improvements in Uplink AI-RAN

論文の概要: Combining Improvements in Uplink AI-RAN

arxiv url: http://arxiv.org/abs/2610.05936v1
Date: Mon, 05 Oct 2026 07:54:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 03:03:58.195713
Title: Combining Improvements in Uplink AI-RAN
Title（参考訳）: Uplink AI-RANの改善
Abstract要約: 複数のアップリンクAI機能を併用した場合のシステムレベルの性能評価結果を示す。本稿では,スケジュールされたアロケーションサイズからレシーバ性能を分離するミラーデータ拡張手法を提案する。組み合わせたAI機能は、AI以外のベースラインに比べて平均アップリンクユーザのスループットを約27%向上させる。
参考スコア（独自算出の注目度）: 4.678514486129808
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One of the major transformative factors in 6G will be the integration of Artificial Intelligence (AI) to become a native part of Radio Access Network (RAN). While most physical-layer AI features have so far been evaluated in isolation using link-level simulations, their combined behavior in a realistic multi-cell, multi-UE deployment has remained largely unexplored. In this paper, we present system-level performance results when multiple uplink AI features are enabled together, achieved by integrating accurate link-level and system-level simulators. To infer state-of-the-art deep-learning-aided Multiple Input Multiple Output (MIMO) receivers under the dynamic allocations produced by a realistic uplink scheduler, we propose a mirrored data augmentation method that decouples receiver performance from scheduled allocation size. In addition to these Physical Layer (PHY) receiver features, we combine several recent advances in deep reinforcement learning to train uplink power control and link adaptation that outperform a heuristic baseline and further boost the gains obtainable from the AI receiver alone. The system-level results show that the combined AI features improve the mean uplink user throughput by roughly 27% compared to a non-AI baseline, confirming that the individual PHY and Medium Access Control (MAC) AI features provide complementary gains when deployed jointly.
Abstract（参考訳）: 6Gの大きな変革要因の1つは、人工知能(AI)を統合してRadio Access Network(RAN)のネイティブな部分となることである。これまでのところ、ほとんどの物理層AI機能はリンクレベルのシミュレーションを使用して独立して評価されてきたが、現実的なマルチセルでのそれらの組み合わせの挙動は、ほとんど探索されていないままである。本稿では,複数のアップリンクAI機能を連携させて,正確なリンクレベルとシステムレベルのシミュレータを統合することで,システムレベルの性能評価を行う。リアルなアップリンクスケジューラが生成する動的アロケーションに基づいて,最先端の深層学習支援マルチ入力出力(MIMO)レシーバを推定するために,スケジュールされたアロケーションサイズからレシーバ性能を分離するミラー化データ拡張手法を提案する。これらの物理層(PHY)受信機の特徴に加えて、我々は近年の深層強化学習の進歩と、ヒューリスティックベースラインを上回るアップリンク電力制御とリンク適応の訓練を組み合わせることで、AI受信機単独で得られる利得をさらに向上させる。システムレベルの結果から、統合されたAI機能は、AI以外のベースラインと比較して平均アップリンクユーザのスループットを約27%向上し、個々のPHYとMAC(Medium Access Control)AI機能が、共同デプロイ時に補完的なゲインを提供することを確認した。

関連論文リスト

Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications [60.721304295812445]
フェデレートラーニング(FL)はエージェントAIの全体的なループを改善する可能性がある。まず、エージェントAIとメインストリームのFLタイプの基礎を要約し、各FLタイプがエージェントAIのループの特定のコンポーネントを強化する方法について説明する。低高度無線ネットワークにおけるエージェントAIの動作決定性能を向上させるためにFRLを用いたケーススタディを行う。
論文参考訳（メタデータ） (2026-03-02T11:26:56Z)
ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文参考訳（メタデータ） (2026-01-27T13:43:59Z)
From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
論文参考訳（メタデータ） (2025-10-07T05:45:25Z)
Heterogeneous Multi-agent Collaboration in UAV-assisted Mobile Crowdsensing Networks [6.226837215382989]
無人航空機(UAV)による移動式クラウドセンシング(MCS)は,データ収集において有望なパラダイムとして浮上している。我々は,センサ,通信,資源配分の効率的な調整を妨げる,スペクトル不足,デバイス計算,ユーザモビリティといった課題に対処する。
論文参考訳（メタデータ） (2025-09-28T02:13:19Z)
PANAMA: A Network-Aware MARL Framework for Multi-Agent Path Finding in Digital Twin Ecosystems [0.0]
ネットワークマルチエージェント強化学習(MARL)に基づくマルチエージェントパス探索(MAPF)のための優先非対称性を持つ新しいアルゴリズムであるPANAMAを紹介する。提案手法は,既存のベンチマークと比較して,精度,速度,スケーラビリティにおいて優れたパスフィンディング性能を示す。 PanAMAは、ネットワーク対応意思決定と堅牢なマルチエージェント調整のギャップを埋め、DT、無線ネットワーク、AI駆動自動化のシナジーを前進させる。
論文参考訳（メタデータ） (2025-08-09T00:59:55Z)
AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させているこれらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
論文参考訳（メタデータ） (2025-07-24T16:04:59Z)
KAITIAN: A Unified Communication Framework for Enabling Efficient Collaboration Across Heterogeneous Accelerators in Embodied AI Systems [5.241889216655924]
KAITIANは、AIワークロードのための新しい分散通信フレームワークである。ベンダー最適化されたグループ内効率のための通信ライブラリとグループ間相互運用性のための汎用通信プロトコルを統合する。ベースラインの均質システムと比較してトレーニング時間を最大42%短縮することができる。
論文参考訳（メタデータ） (2025-05-15T11:29:43Z)
Bi-LSTM based Multi-Agent DRL with Computation-aware Pruning for Agent Twins Migration in Vehicular Embodied AI Networks [20.574619097682923]
インテリジェントトランスポートでは、大型言語モデルと組み込み人工知能(AI)の組み合わせにより、Vehicular Embodied AI Network(VEAN)が生成される。 VEANでは、自律走行車(AV)が典型的なエージェントであり、局所的な高度なAIアプリケーションは車載型AIエージェントとして定義される。レイテンシとリソースの制約のため、車載型AIエージェント上で動作するローカルAIアプリケーションとサービスを移行する必要がある。
論文参考訳（メタデータ） (2025-05-09T18:52:26Z)
Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
論文参考訳（メタデータ） (2024-10-02T02:20:42Z)

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。