文献

J-GLOBAL ID：202002212252873599   整理番号：20A0899827

超高信頼低遅延車両通信のための分散連合学習【JST・京大機械翻訳】

Distributed Federated Learning for Ultra-Reliable Low-Latency Vehicular Communications

著者 (4件)： Samarakoon Sumudu (Centre for Wireless Communication, University of Oulu, Oulu, Finland) ,  Bennis Mehdi (Centre for Wireless Communication, University of Oulu, Oulu, Finland) ,  Saad Walid (Bradley Department of Electrical and Computer Engineering, Wireless@VT, Virginia Tech, Blacksburg, VA, USA) ,  Debbah Merouane (Mathematical and Algorithmic Sciences Lab, Huawei France Research and Development, Boulogne-Billancourt, France)
資料名： IEEE Transactions on Communications  (IEEE Transactions on Communications)
巻： 68  号： 2  ページ： 1146-1159  発行年： 2020年 
JST資料番号： C0239A  ISSN： 0090-6778  CODEN： IECMBT  資料種別： 逐次刊行物 (A)
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： 本論文において,車両ネットワークにおける超信頼性低待ち時間通信(URLLC)のための共同電力と資源配分(JPRA)の問題を研究した。その中で,車両利用者(VUE)のネットワーク広域電力消費は,確率的待ち行列遅延の観点から高い信頼性のために最小化される。極値理論(EVT)を用いて,新しい信頼性測度を定義して,あらかじめ定義された閾値を超える車両の待ち行列長に関連する極端な事象を特徴付けた。これらの極端なイベントを学習するために,それらを独立してVUE上に同一に分布させることを仮定して,連合学習(FL)に基づく新しい分散アプローチを提案し,待ち行列長のテール分布を推定した。無線リンク上のFLによって引き起こされる通信遅延を考慮して,Lyapunov最適化を用いて,分散方式における各々のVueのためにURLLCを可能にするJPRA方策を引き出した。次に,提案した解をManhattan移動度モデルを用いた広範なシミュレーションにより検証した。シミュレーション結果により,FLは,交換データ量の最大79%の削減を伴う集中化解に近い精度で,待ち行列のテール分布を推定するために提案した方法を可能にすることを示した。さらに,提案した方法は,平均待ち行列ベースのベースラインと比較して,大きな待ち行列長をもつVUEの60%までの削減をもたらし,一方,平均電力消費を2倍低減した。Copyright 2020 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： 移動度 ,  最適化 ,  シミュレーション ,  測度 ,  信頼性 ,  電力 ,  ネットワーク ,  電力消費 ,  資源割付 ,  *通信 ,  待ち時間
準シソーラス用語： 通信遅れ ,  無線リンク ,  高信頼性 ,  車両ネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 光通信方式・機器  (ND10000B)

タイトルに関連する用語 (3件)： 低遅延 ,  車両通信 ,  学習