Semantic-aware Transmission Scheduling: a Monotonicity-driven Deep Reinforcement Learning Approach

要約

6G 時代のサイバーフィジカル システムでは、単に通信中心のパフォーマンスに焦点を当てるだけでなく、アプリケーション レベルのパフォーマンスを保証するために、動的制御やリモート状態推定のために分散デバイスを接続するセマンティック通信が必要です。
ここでのセマンティクスは、情報伝達の有用性の尺度です。
大規模システムのセマンティックを意識した送信スケジューリングには、多くの場合、大きな意思決定スペースが必要となり、既存のアルゴリズムでは最適なポリシーを効果的に取得できません。
この論文では、まず意味論を意識した最適なスケジューリング ポリシーの基本特性を調査し、次に理論的ガイドラインを活用して高度な深層強化学習 (DRL) アルゴリズムを開発します。
数値結果は、提案されたアルゴリズムがベンチマーク アルゴリズムと比較してトレーニング時間を大幅に短縮し、トレーニング パフォーマンスを向上させることができることを示しています。

要約(オリジナル)

For cyber-physical systems in the 6G era, semantic communications connecting distributed devices for dynamic control and remote state estimation are required to guarantee application-level performance, not merely focus on communication-centric performance. Semantics here is a measure of the usefulness of information transmissions. Semantic-aware transmission scheduling of a large system often involves a large decision-making space, and the optimal policy cannot be obtained by existing algorithms effectively. In this paper, we first investigate the fundamental properties of the optimal semantic-aware scheduling policy and then develop advanced deep reinforcement learning (DRL) algorithms by leveraging the theoretical guidelines. Our numerical results show that the proposed algorithms can substantially reduce training time and enhance training performance compared to benchmark algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google