論文の概要: Foundation Model-Aided Multi-Agent Reinforcement Learning for Wireless Random Access Network Optimization

• arxiv url: http://arxiv.org/abs/2610.07550v1
• Date: Tue, 06 Oct 2026 00:27:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.723396
• Title: Foundation Model-Aided Multi-Agent Reinforcement Learning for Wireless Random Access Network Optimization
• Title（参考訳）: 無線ランダムアクセスネットワーク最適化のための基礎モデル支援マルチエージェント強化学習
• Abstract要約: 本稿では,様々なRAネットワーク最適化タスクにおけるMARL効率向上のために基礎モデル(FM)を活用することを提案する。 具体的には、コンセンサスに基づく分散MARLアーキテクチャにおいて、FM支援アクター批判アルゴリズムを設計する。 本手法は,RAネットワーク最適化におけるMARLの高速化に有効であることを示す。
• 参考スコア（独自算出の注目度）: 15.66443423959637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Random access (RA) is one of the most foundational medium access control (MAC) layer scheduling schemes for handling unpredictable data traffic from multiple terminals. While multi-agent reinforcement learning (MARL) has been explored to optimize RA-based wireless networks, its reliance on experience-driven, distributed policy learning incurs significant training overhead for each optimization task, limiting its feasibility in real-world applications. In this work, we propose to leverage a foundation model (FM) to improve MARL efficiency across diverse RA network optimization tasks. Specifically, we design an FM-aided actor-critic algorithm within a consensus-based decentralized MARL architecture and provide its convergence analysis under local reward exchanges and nonlinear value function approximations to show that our algorithm achieves the same convergence order as the conventional MARL with critic model exchanges and linear approximations. Our numerical results show that our FM-based approach significantly enhances MARL speed for RA network optimization.
• Abstract（参考訳）: ランダムアクセス(RA)は、複数の端末からの予測不可能なデータトラフィックを処理するための最も基本的なメディアアクセス制御(MAC)層スケジューリングスキームの1つである。 マルチエージェント強化学習(MARL)は、RAベースの無線ネットワークを最適化するために研究されているが、経験駆動で分散ポリシー学習に依存しているため、各最適化タスクのトレーニングオーバーヘッドが大幅に増加し、現実のアプリケーションにおける実現可能性が制限されている。 本研究では,様々なRAネットワーク最適化タスクにおけるMARL効率を改善するために,基礎モデル(FM)を活用することを提案する。 具体的には、FM支援アクター批判型アルゴリズムをコンセンサスに基づく分散MARLアーキテクチャで設計し、その収束解析を局所的な報酬交換と非線形値関数近似で行うことにより、従来のMARLと同じ収束順序を、批判モデル交換と線形近似で達成することを示す。 本手法は,RAネットワーク最適化におけるMARLの高速化に有効であることを示す。

関連論文リスト

• Hierarchical Wireless Foundation Model for Multi-Task Optimization [34.759246067039705]
  マルチタスク最適化のための階層型無線基礎モデル(WFM)を提案する。 提案するWFMは,高忠実度チャネル表現を学習し,競合するマルチタスク最適化性能を実現する。
  論文  参考訳（メタデータ） (2026-07-18T16:30:23Z)
• Consensus-based Decentralized Multi-agent Reinforcement Learning for Random Access Network Optimization [10.232557034642015]
  我々は、衝突を最小限に抑え、デバイス間の通信の公平性を確保するために、効率的なランダムアクセス媒体アクセス制御プロトコルを設計する。 提案するMARLアルゴリズムは,他のベースラインと比較してRAネットワーク性能を著しく向上させることができる。
  論文  参考訳（メタデータ） (2025-08-09T14:39:27Z)
• Percentile-Based Deep Reinforcement Learning and Reward Based Personalization For Delay Aware RAN Slicing in O-RAN [0.0]
  オープンRAN(O-RAN)アーキテクチャにおける無線アクセスネットワークスライシングの課題に対処する。 我々の焦点は、物理リソースブロックに競合する複数のモバイル仮想ネットワークオペレータ(MVNO)を含むネットワークに焦点を当てている。 報酬に基づくパーソナライズ手法では,各エージェントが各エージェントのパフォーマンスに基づいて,他のエージェントのモデルの重み付けを優先順位付けする。
  論文  参考訳（メタデータ） (2025-07-24T05:45:41Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• Heterogeneous Multi-Agent Reinforcement Learning for Distributed Channel Access in WLANs [47.600901884970845]
  本稿では,マルチエージェント強化学習(MARL)を用いて,無線ローカルネットワークにおける分散チャネルアクセスに対処する。 特に、エージェントがモデルトレーニングに価値ベースまたはポリシーベースの強化学習アルゴリズムを不均一に採用する、より実践的なケースについて考察する。 我々は、分散実行パラダイムを用いた集中型トレーニングを採用し、異種エージェントの協調を可能にする、異種MARLトレーニングフレームワークQPMIXを提案する。
  論文  参考訳（メタデータ） (2024-12-18T13:50:31Z)
• Enhancing Spectrum Efficiency in 6G Satellite Networks: A GAIL-Powered Policy Learning via Asynchronous Federated Inverse Reinforcement Learning [67.95280175998792]
  ビームフォーミング,スペクトルアロケーション,リモートユーザ機器(RUE)アソシエイトを最適化するために,GAILを利用した新しいポリシー学習手法を提案する。 手動チューニングなしで報酬関数を自動的に学習するために、逆RL(IRL)を用いる。 提案手法は従来のRL手法よりも優れており,コンバージェンスと報酬値の14.6%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-27T13:05:02Z)
• Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
  非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。 複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
  論文  参考訳（メタデータ） (2024-06-19T07:17:04Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。