Can interference alignment impact network utility maximization?
Notice bibliographique
Résumé
This paper examines whether interference alignment (IA) can be leveraged to improve network utility in a multiuser multi-antenna wireless cellular network. Optimality of IA from a DoF standpoint has the potential to aid conventional network optimization algorithms that typically can only find locally optimal solutions. This paper investigates the usefulness of IA for interference coordination and utility maximization by proposing a two-stage optimization framework for a G-cell multi-antenna network with K users/cell, and with full channel state information (CSI) available at all base-stations. The first stage of the proposed framework focuses exclusively on nulling interference from a set of dominant interferers using IA, while the second stage optimizes the transmit and receive beamformers iteratively to maximize a network-wide utility using the IA solution as the initial point. The number of dominant interferers to be nulled in the first stage is guided by a set of new feasibility results for partial IA. This paper focuses on maximizing the specific network utility of minimum rate over all users in the network. Through simulations on two different topologies of cluster of BSs either in isolation or in the presence of other non- cooperating BSs, the proposed framework with IA initialization is observed to outperform straightforward optimization on an isolated cluster of BSs. But, IA loses its impact when there is significant out-of-cluster interference. Thus, in a large-scale dense cellular deployment, the benefit of IA is likely to be limited, even with centralized network optimization and full CSI.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».