文献

J-GLOBAL ID：201902225453412767   整理番号：19A1560877

FOG無線アクセスネットワークにおける強化学習による分散エッジキャッシング【JST・京大機械翻訳】

Distributed Edge Caching via Reinforcement Learning in Fog Radio Access Networks

著者 (6件)： Lu Liuyang ,  Jiang Yanxiang ,  Bennis Mehdi ,  Ding Zhiguo ,  Zheng Fu-Chun ,  You Xiaohu
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： VTC2019-Spring  ページ： 1-6  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,霧無線アクセスネットワーク(F-RANs)における分散エッジキャッシング問題を研究した。未知の時空的コンテンツ人気とユーザ選好を考慮することによって,隠れMarkov過程に基づくユーザ要求モデルを提案して,F-RANsにおける変動する空間-時間的トラフィック需要を特性化した。次に,強化学習(RL)フレームワークに基づくQ-学習方法を,分散方式における最適キャッシング方策を探すために提唱して,それは,余分な通信コストなしで潜在的動的プロセスを学習して,追跡するために,霧アクセスポイント(F-AP)を可能にした。さらに,複雑さを低減し,収束を加速するために,値関数近似(Q-VFA学習)を用いたより効率的なQ学習法を提案した。シミュレーション結果は,著者らの提案方法の性能が従来の方法のものより優れていることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 関数近似 ,  Markov過程 ,  *強化学習 ,  コンテンツ ,  キャラクタリゼーション ,  シミュレーション ,  *学習 ,  端局
準シソーラス用語： Q学習 ,  動的プロセス ,  通信コスト ,  *キャッシング ,  学習方法 ,  *無線アクセスネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 無線通信一般  (ND08010L) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： FOG ,  無線アクセスネットワーク ,  強化学習 ,  エッジ ,  キャッシング