Decentralized cognition via Randomized Masking
Notice bibliographique
Résumé
A decentralized network of one Primary User (PU) and several Secondary Users (SU) is studied. The number of SUs is modeled by a random variable with a globally known distribution. PU is licensed to exploit the resources, while the party of SUs intend to share the resources with PU. Each SU must guarantee to not disturb the performance of PU beyond a certain level, while maintaining a satisfactory quality of service for itself. It is proposed that each secondary transmitter adopts a Randomized Masking (RM) strategy where it remains silent or transmits a symbol in its codeword independently from transmission slot to transmission slot. We consider a setup where the primary transmitter is unaware of the channel gains, the code-book of the secondary users and the number of secondary users. Although the SUs are anonymous to each other, i.e, they are unaware of each other's code-book, however, each SU is smart in the sense that it is aware of the code-book of PU, the channel gains and the number of active SUs. Invoking the concept of ε-outage capacity, we define the ε-admissible region as the set of possible transmission rates for PU and possible masking probabilities for each SU such that the probability of outage for PU is maintained under a threshold ε. Thereafter, the transmission rate of PU and the masking probability of SUs are designed through maximizing a globally known utility function of the rates of users over the ε-admissible region. In our analysis, the primary receiver treats interference as noise, however, each secondary receiver has the option to decode interference caused by PU, while treating the signals of other SUs as noise. In another approach, referred to as Power Control (PC), each SU transmits continuously (no masking is applied), however, it regulates its transmission power in order to yield the largest value for the utility function. It is demonstrated that PC offers a better performance in a regime where the transmission power for PU is relatively low, while RM outperforms PC if the transmission power for PU is sufficiently large.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».