MétaCan
Menu
Retour à la cohorte
Enregistrement W2417392425 · doi:10.1109/tcst.2016.2558458

A Mean Field Game Computational Methodology for Decentralized Cellular Network Optimization

2016· article· en· W2417392425 sur OpenAlexafffund
Mohamad Aziz, Peter E. Caines

Notice bibliographique

RevueIEEE Transactions on Control Systems Technology · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueWireless Communication Networks Research
Établissements canadiensMcGill UniversityPolytechnique Montréal
Organismes subventionnairesAir Force Office of Scientific ResearchNatural Sciences and Engineering Research Council of Canada
Mots-clésTelecommunications linkCellular networkQuality of serviceComputer scienceGame theoryPower controlOptimization problemInterference (communication)Computer networkNash equilibriumPopulationSignal-to-interference-plus-noise ratioDistributed computingTransmitter power outputSignal-to-noise ratio (imaging)Signal-to-interference ratioMathematical optimizationPower (physics)TransmitterTelecommunicationsMathematicsAlgorithm

Résumé

récupéré en direct d'OpenAlex

In cellular communication networks, quality of service (QoS) is defined as the ratio of the user's signal level to the system noise plus other agents' signal interference levels, and is commonly used to measure the performance of a mobile user over the network. In this paper, Nash equilibrium strategies, which minimize a linear combination of the system QoS and the transmitted power in code division multiple access networks, are found via an application of mean field game (MFG) control theory. Computational investigations of decentralized cellular network optimization via the application of nonlinear MFG control theory to this class of problem are presented for downlink and uplink scenarios with uniform and nonuniform agent population with respect to localized and nonlocalized interferences.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,298
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Control Systems TechnologyMême sujetWireless Communication Networks ResearchTravaux en français237 207