Cooperative bargaining game‐theoretic methodology for 5G wireless heterogeneous networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Cooperative game‐theoretic modelling, analysis and design are critical to mitigate interference and save energy for 5G wireless evolution. Nash axiomatic cooperative game has been widely used to model various cooperation‐motivated technical problems, notably in signal processing and communications. However, its most potentials have not been fully exploited, for example, different trade‐offs between efficiency and fairness, where efficiency is referred to as both spectral efficiency (SE) and energy efficiency (EE). The trade‐offs can be determined by various cooperative solution concepts, for example, the favourable Nash bargaining solution and its rarely studied extensions. Therefore, we first overview the basics of the celebrated Nash bargaining solution and its extensions with geometric interpretations to help better understand them and facilitate distributed algorithm design. Then, both symmetric and asymmetric cooperative game‐theoretic frameworks are formulated with different trade‐offs incorporating an asymmetric unified β ‐coefficient determined cooperative game model. As a use case, an α ‐parameter‐related preference function is designed first incorporating both SE and EE. Then, the presented frameworks with the new preference function are studied in a typical heterogeneous network. In the following text, we characterise the effects of β ‐coefficient to fairness and efficiency and α ‐parameter to SE and EE. Finally, we conclude the article with the hope of stimulating more interest in cooperative bargaining game and its wider applications in the signalling and communication communities. Copyright © 2014 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle