面向数据相关性感知无线虚拟现实资源分配的回声状态迁移学习
信息论
2017-11-28 v1 math.IT
摘要
本文研究了在基于云的小蜂窝网络(SCNs)上通信的无线虚拟现实(VR)用户网络中,数据相关性感知资源管理问题。在所研究的模型中,计算资源受限的小型基站(SBSs)充当VR控制中心,通过蜂窝上行链路从VR用户收集跟踪信息,并通过下行链路发送给VR用户。在这种设置下,VR用户可能发送或请求相关或相似的数据(全景图像和跟踪数据)。这种潜在的空间数据相关性可被纳入资源分配问题中,以降低上行链路和下行链路的流量负载。该VR资源分配问题被表述为一个非合作博弈,在考虑数据相关性的同时联合优化计算和频谱资源。为解决该博弈,提出了一种基于回声状态网络(ESNs)机器学习框架的迁移学习算法。与每次环境变化都必须重新执行的常规强化学习算法不同,所提算法能够跨时间智能迁移已学习效用的信息,从而快速适应由于用户内容或数据相关性变化等因素导致的环境动态。仿真结果表明,与考虑数据相关性的Q学习和不考虑数据相关性的Q学习相比,所提算法在时延方面分别获得高达16.7%和18.2%的收益。结果还表明,所提算法比Q学习具有更快的收敛时间,并能保证低时延。
引用
@article{arxiv.1711.09173,
title = {Echo State Transfer Learning for Data Correlation Aware Resource Allocation in Wireless Virtual Reality},
author = {Mingzhe Chen and Walid Saad and Changchuan Yin and Merouane Debbah},
journal= {arXiv preprint arXiv:1711.09173},
year = {2017}
}
备注
This paper has been accepted by Asilomar