論文の概要: Machine Learning for Scalable Multi-AP Coordination in IEEE 802.11bn Networks
- arxiv url: http://arxiv.org/abs/2611.16634v1
- Date: Thu, 12 Nov 2026 11:07:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.452664
- Title: Machine Learning for Scalable Multi-AP Coordination in IEEE 802.11bn Networks
- Title(参考訳): IEEE 802.11bnネットワークにおけるスケーラブルマルチAPコーディネートのための機械学習
- Abstract要約: マルチアクセスポイントコーディネート(MAPC)は、隣接するアクセスポイント(AP)と協調するが、どのAPが一緒に送信するかを選択することは、オープンで計算的に難しい問題である。
グラフニューラルネットワーク (GNN) とフローマッチング (FM) 上に構築された生成パイプラインに, 軽量階層型マルチアームバンディット (H-MAB) から進行する機械学習 (ML) コーディネート手法のスタックを開発し, 検証する。
これらの手法はシミュレーションおよびハードウェアテストベッド上で評価され、レガシアクセスよりもスループットを改善し、分析的および探索的手法が難解になる数十のAPに対してスケール調整を行う。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As Wi-Fi deployments become denser, fully distributed random channel access no longer guarantees the required quality of service. The multi-access point coordination (MAPC) framework introduced in IEEE~802.11bn lets neighboring access points (APs) cooperate, but choosing which APs transmit together and how to configure them remains an open, computationally hard problem. We develop and validate a stack of machine learning (ML) coordination methods, progressing from lightweight hierarchical multi-armed bandits (H-MABs) to a generative pipeline built on graph neural networks (GNNs) and flow matching (FM). The methods are evaluated in simulation and on a hardware testbed, improving throughput over legacy access and scaling coordination to dozens of APs where analytical and search-based methods become intractable.
- Abstract(参考訳): Wi-Fiの展開がより密化するにつれて、完全に分散されたランダムチャネルアクセスは、もはやサービスの質を保証しない。
IEEE~802.11bnで導入されたマルチアクセスポイント調整(MAPC)フレームワークは、隣接するアクセスポイント(AP)と協調するが、どのAPが一緒に送信するか、どのように構成するかは、オープンで計算的に難しい問題のままである。
グラフニューラルネットワーク (GNN) とフローマッチング (FM) 上に構築された生成パイプラインに, 軽量階層型マルチアームバンディット (H-MAB) から進行する機械学習 (ML) コーディネート手法のスタックを開発し, 検証する。
これらの手法はシミュレーションおよびハードウェアテストベッド上で評価され、レガシアクセスよりもスループットを改善し、分析的および探索的手法が難解になる数十のAPに対してスケール調整を行う。
関連論文リスト
- FM4WiFi: Flow Matching for Multi-AP Coordination in Dense Deployments of Beyond Wi-Fi 8 Networks [1.3038961588016973]
我々は、単一の推論ステップで高品質なCo-SR構成を生成する生成MLパイプラインであるFM4WiFiを紹介する。
我々はFM4WiFiが中規模から大規模の最先端のベースラインとどのように一致しているかを示し、サブ秒の推論で30以上のAPにスケールする。
論文 参考訳(メタデータ) (2026-08-04T09:23:01Z) - Learning to Communicate Locally for Large-Scale Multi-Agent Pathfinding [48.1609560841622]
本稿では,効率的な特徴共有を通じてエージェント間の協調を強化するための学習可能な通信モジュールを提案する。
提案手法は既存の学習ベースMAPFソルバよりも優れていることを示す。
論文 参考訳(メタデータ) (2026-05-08T12:05:08Z) - 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) - 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) - 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) - Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A
Reinforcement Learning Based Approach [61.74489383629319]
新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。
閉ループアクセス制御の強化学習(RL)支援方式を提案する。
深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
論文 参考訳(メタデータ) (2023-03-05T12:25:49Z) - 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) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳(メタデータ) (2020-10-02T10:41:59Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z)
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。