Downlink Resource Allocation in Multiuser Cell-free MIMO Networks with\n User-centric Clustering
Notice bibliographique
Résumé
In this paper, we optimize user scheduling, power allocation and beamforming\nin distributed multiple-input multiple-output (MIMO) networks implementing\nuser-centric clustering. We study both the coherent and non-coherent\ntransmission modes, formulating a weighted sum rate maximization problem for\neach; finding the optimal solution to these problems is known to be NP-hard. We\nuse tools from fractional programming, block coordinate descent, and\ncompressive sensing to construct an algorithm that optimizes the beamforming\nweights and user scheduling and converges in a smooth non-decreasing pattern.\nChannel state information (CSI) being crucial for optimization, we highlight\nthe importance of employing a low-overhead pilot assignment policy for\nscheduling problems. In this regard, we use a variant of hierarchical\nagglomerative clustering, which provides a suboptimal, but feasible, pilot\nassignment scheme; for our cell-free case, we formulate an area-based pilot\nreuse factor. Our results show that our scheme provides large gains in the\nlong-term network sum spectral efficiency compared to benchmark schemes such as\nzero-forcing and conjugate beamforming (with round-robin scheduling)\nrespectively. Furthermore, the results show the superiority of coherent\ntransmission compared to the non-coherent mode under ideal and imperfect CSI\nfor the area-based pilot-reuse factors we consider.\n
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 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».