Joint User Grouping, Sparse Beamforming, and Subcarrier Allocation for D2D Underlaid Cache-Enabled C-RANs With Rate Splitting
Notice bibliographique
Résumé
We propose a Rate Splitting (RS) transmit scheme for Device-to-Device (D2D) underlaid Cache-enabled Cloud Radio Access Networks (C$^2$-RANs). To this end, we jointly design Cellular User (CU) grouping, dynamic Remote Radio Head (RRH) clustering, beamforming, RS ratio, and subcarrier allocation to maximize the sum-rate and ensure transmit power and fronthaul cost constraints. However, the formulated problem is discrete, non-smooth, and non-convex. We thus decouple it into three subproblems, namely - (1) CU grouping, (2) D2D subcarrier allocation, and (3) joint sparse beamforming, RS ratio, and power control. We then develop a low-complexity greedy searching algorithm and a fairness-ensuring accelerated bisection searching algorithm via graph theory for the first subproblem. For the second subproblem, we use a many-to-one matching game with peer effect. We adopt the Gale-Sharply algorithm and swap operations to reach a stable matching state and propose a Two-sided Stable Subcarrier Allocation ($\text{TS}^2$A) algorithm. For the third subproblem, we develop a Quadratic Transform-based Two-Tier Alternating ($\text{QT}^3$A) algorithm. It constructs a series of accurate surrogate functions for the objective function and constraints via a Quadratic Transform (QT) technique. We then recast it as a two-tier alternating problem. We tackle the outer and inner tiers with closed-form expressions and the convex framework, respectively. By integrating these algorithms, the overall algorithm can be proved to converge to a stationary point. Simulation results show that it achieves considerable performance gains over several benchmark schemes.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».