文献

J-GLOBAL ID：202202265419445283   整理番号：22A0456930

ダウンリンクビーム成形適応のための埋込みモデルベース高速Meta学習【JST・京大機械翻訳】

Embedding Model-Based Fast Meta Learning for Downlink Beamforming Adaptation

著者 (5件)： Zhang Juping (Wolfson School of Mechanical, Electrical and Manufacturing Engineering, Loughborough University, Loughborough, U.K) ,  Yuan Yi (Wolfson School of Mechanical, Electrical and Manufacturing Engineering, Loughborough University, Loughborough, U.K) ,  Zheng Gan (Wolfson School of Mechanical, Electrical and Manufacturing Engineering, Loughborough University, Loughborough, U.K) ,  Krikidis Ioannis (Department of Electrical and Computer Engineering, University of Cyprus, Nicosia, Cyprus) ,  Wong Kai-Kit (Department of Electronic and Electrical Engineering, University College London, London, U.K)
資料名： IEEE Transactions on Wireless Communications  (IEEE Transactions on Wireless Communications)
巻： 21  号： 1  ページ： 149-162  発行年： 2022年 
JST資料番号： W1329A  ISSN： 1536-1276  CODEN： ITWCAX  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： 本論文は,マルチユーザ多入力単一出力ダウンリンクのための高速適応ビーム成形を研究した。既存の深層学習ベース手法は,訓練と試験チャネルが,試験環境が変化するとき,タスクミスマッチを引き起こす同じ分布に従うと仮定する。メタ学習はタスクミスマッチを扱うことができるが,それはラベル付きデータに依存し,事前訓練と微調整段階で高い複雑性を招く。移動可能な特徴抽出器として埋込みモデルを訓練し,続いてサポートベクトル回帰をフィッティングするミスマッチ問題を解くための簡単で効果的な適応フレームワークを提案した。既存のメタ学習アルゴリズムと比較して,この方法は事前訓練においてラベル付きデータを必要とせず,適応における事前訓練モデルの微調整を必要としない。提案方法の有効性を,2つのよく知られた応用,すなわち,信号対干渉+雑音比平衡問題と合計速度最大化問題を通して検証した。さらに,提案手法を非定常環境におけるオンラインシナリオに拡張した。シミュレーション結果は,性能と複雑性の両方に関して提案したアルゴリズムの利点を実証した。提案したフレームワークは一般的な無線資源管理問題にも適用できる。Copyright 2022 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： アルゴリズム ,  干渉 ,  雑音 ,  シミュレーション ,  *学習 ,  特徴抽出 ,  最大化問題 ,  *ビーム成形
準シソーラス用語： マルチユーザ ,  *モデルベース ,  *ダウンリンク ,  複雑性 ,  オンライン ,  サポートベクトル回帰 ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 無線通信一般  (ND08010L)

タイトルに関連する用語 (6件)： ダウンリンク ,  ビーム成形 ,  適応 ,  埋込み ,  モデルベース ,  学習