Spatial Configuration of Agile Wireless Networks With Drone-BSs and User-in-the-loop
Notice bibliographique
Résumé
Agile networking can reduce over-engineering, costs, and energy waste. Toward that end, it is vital to exploit all degrees of freedom of wireless networks efficiently, so that the service quality is not sacrificed. In order to reap the benefits of flexible networking, we propose a spatial network configuration (SNC) scheme, which can result in efficient networking; both from the perspective of network capacity and profitability. First, the SNC utilizes the drone-base-stations (drone-BSs) to configure access points. Drone-BSs are shifting paradigms of heterogeneous wireless networks by providing radically flexible deployment opportunities. On the other hand, their limited endurance and potential high cost increase the importance of utilizing drone-BSs efficiently. Therefore, second, user mobility is exploited via user-in-the-loop (UIL), which aims at influencing users' mobility by offering incentives. The proposed uncoordinated SNC is a computationally efficient method, yet, it may be insufficient to exploit the synergy between the drone-BSs and UIL. Hence, we propose a joint SNC, which increases the performance gain along with the computational cost. Finally, the semi-joint SNC combines the benefits of the joint SNC with computational efficiency. The numerical results show that the semi-joint SNC is two orders of magnitude faster than the joint SNC, and a profit of more than 15% can be obtained compared to conventional systems.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».