Stochastic geometry analysis of multiple access, mobility, and learning in cellular 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
Use cases of future wireless networks (e.g. fifth-generation [5G] networks and beyond [B5G]) will have service-quality requirements including higher data rates than today's networks for enhanced mobile broadband (eMBB), minimal latency and high network availability for ultra-reliability low-latency connection (URLLC), and massive access support for machine-type communications (mMTC). Also, 5G and B5G are expected to support communications for highly mobile scenarios with applications in new vertical sectors such as unmanned aerial vehicle (UAV) and autonomous car. Therefore, 5G and B5G cellular systems require a set of new technology enablers and solutions. In this thesis, we address some of the challenges of future wireless networks. In particular, we develop novel analytical models as well as methods, which will enable us to obtain insights into the performance of large-scale cellular networks and optimize network parameters. Non-orthogonal multiple access (NOMA) is a promising multiple access technique that enables massive connectivity and reduces the delay. We develop an analytical framework to derive the distribution of transmission success probabilities, meta distribution, for uplink and downlink NOMA. We also investigate the accuracy of distance-based ranking, instead of instantaneous signal power-based ranking, in the successive interference cancellation (SIC) at the NOMA receiver. Sojourn time, the time duration that a mobile user stays within a cell, is a mobility-aware parameter that can significantly impact the performance of mobile users and it can also be exploited to improve resource allocation and mobility management methods in the network. We derive the distribution and mean of the sojourn time in multi-tier cellular networks. Future wireless networks will exploit data-driven machine learning techniques for improving network management as well as service provisioning. Due to privacy and communication issues, learning at a centralized location (for example, at a base station) by collecting data from the mobile devices may not be always feasible. Federated learning is a machine learning setting where the centralized location trains a learning model using remote devices. Federated learning algorithms cannot be employed in real-world scenarios unless they consider unreliable and resource-constrained nature of the wireless medium. We propose a federated learning algorithm that is suitable for wireless networks.
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 | 0,000 | 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 | 0,000 | 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 découle