Fugu-MT 論文翻訳(概要): Deep Reinforcement Learning for Blind Passive Beamforming in RIS-Assisted MIMO Systems

論文の概要: Deep Reinforcement Learning for Blind Passive Beamforming in RIS-Assisted MIMO Systems

arxiv url: http://arxiv.org/abs/2610.39827v1
Date: Thu, 29 Oct 2026 11:09:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-02 22:33:31.279256
Title: Deep Reinforcement Learning for Blind Passive Beamforming in RIS-Assisted MIMO Systems
Title（参考訳）: RIS支援MIMOシステムにおけるブラインドパッシブビームフォーミングの深部強化学習
Abstract要約: 視覚的受動ビームフォーミングのためのDeep Reinforcement Learningフレームワークを提案する。提案手法は, 収束, 性能, オーバーヘッド低減において, Q-Learning(QL)や従来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）: 0.6159771892460151
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Reconfigurable Intelligent Surfaces (RIS) are a promising solution for improving millimeter-wave (mmWave) communications by controlling signal propagation. Yet, selecting the optimal RIS configuration remains challenging due to the high-dimensional search space and signaling overhead. We propose a Deep Reinforcement Learning (DRL) framework for blind passive beamforming, where a Deep Q-Learning (DQL) agent learns an adaptive policy to select near-optimal RIS configurations while sounding only few codewords, without channel state information. Results show that our approach outperforms Q-Learning (QL) and conventional baselines in convergence, performance, and overhead reduction.
Abstract（参考訳）: Reconfigurable Intelligent Surfaces (RIS) は、信号伝搬を制御することでミリ波(mmWave)通信を改善するための有望なソリューションである。しかし、高次元検索空間と信号のオーバーヘッドのため、最適なRIS構成を選択することは依然として困難である。本稿では、ブラインド受動ビームフォーミングのためのDeep Reinforcement Learning(DRL)フレームワークを提案する。このフレームワークでは、ディープQラーニング(DQL)エージェントが適応ポリシーを学習し、準最適RIS構成を選択する。その結果,本手法は収束,性能,オーバーヘッド低減において,Q-Learning(QL)や従来のベースラインよりも優れていた。

関連論文リスト

Path-Based Quantum Meta-Learning for Adaptive Optimization of Reconfigurable Intelligent Surfaces [16.276568966263262]
本稿では、歴史的成功、エネルギーコスト、現在のデータレートに基づいて、特定の量子パスを切り替える階層型多目的量子メタラーニングアルゴリズムを提案する。その結果, スペクトル効率, 収束率, 適応性が向上した。
論文参考訳（メタデータ） (2026-04-20T01:10:55Z)
Lyapunov-Driven Deep Reinforcement Learning for Edge Inference Empowered by Reconfigurable Intelligent Surfaces [30.1512069754603]
本稿では,ワイヤレスエッジにおけるエネルギー効率,低レイテンシ,高精度な推論のための新しいアルゴリズムを提案する。本稿では,新しいデータを一連のデバイスで連続的に生成・収集し,動的キューシステムを通じて処理するシナリオについて考察する。
論文参考訳（メタデータ） (2023-05-18T12:46:42Z)
Machine Learning for Metasurfaces Design and Their Applications [20.350142630673197]
マシン/ディープラーニング(ML/DL)技術は、RIS逆設計の計算コストと時間を削減する上で重要である。本章は、逆RIS設計とRISアシスト無線システムの両方のためのDL技術のシナプスを提供する。
論文参考訳（メタデータ） (2022-11-02T17:19:37Z)
Deep Reinforcement Learning Based Joint Downlink Beamforming and RIS Configuration in RIS-aided MU-MISO Systems Under Hardware Impairments and Imperfect CSI [0.0]
我々は,光ビームフォーミングと再構成可能なインテリジェントサーフェス(RIS)位相シフトを協調的に最適化する,新しい深部強化学習(DRL)手法を提案する。提案手法は,現実的なRIS振幅モデルを考慮した不完全チャネル状態情報(CSI)とハードウェア障害の課題に対処する。
論文参考訳（メタデータ） (2022-10-10T09:37:53Z)
Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文参考訳（メタデータ） (2022-05-08T06:21:33Z)
Phase Shift Design in RIS Empowered Wireless Networks: From Optimization to AI-Based Methods [83.98961686408171]
再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
論文参考訳（メタデータ） (2022-04-28T09:26:14Z)
Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文参考訳（メタデータ） (2020-12-25T07:08:50Z)
SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep Reinforcement Learning [102.78958681141577]
SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。 SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
論文参考訳（メタデータ） (2020-07-09T17:08:44Z)
Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文参考訳（メタデータ） (2020-05-25T01:42:55Z)
RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。 RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-01-28T14:37:38Z)

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。