Deep-Learning Based Auction-Driven Beamforming for Wireless Information\n and Power Transfer
Notice bibliographique
Résumé
In this paper, we design a deep learning based resource allocation framework,\nin the form of an auction, for simultaneous information and power transfer from\na hybrid access point (AP) to information devices and energy harvesting\ndevices, respectively. Using Myerson's lemma and the concept of virtual welfare\nmaximization, we develop an optimal dominant-strategy incentive-compatible\nmechanism for the AP to maximize its expected revenue, based on the devices'\nbid profiles, valuation distributions, demand profiles, and channel state\ninformation. In so doing, we formulate the revenue maximization problem, which\nis a mixed-integer non-linear program, and propose an efficient\nBranch-and-Bound (BnB) algorithm to solve the problem using semidefinite\nrelaxation technique in each branch. Since the problem has exponential time\ncomplexity, using BnB algorithms can be impractical for real-time applications.\nTo circumvent this, a deep neural network (DNN) is proposed, and trained to\npredict the optimal mechanism for beamforming the data and the energy towards\nthe information and energy devices, respectively. We use the BnB algorithm to\nsolve the problem offline and populate the training dataset. The proposed DNN\narchitecture is indeed a multi-layer perceptron, which is trained well to map\nthe heterogeneous input to the desired output with high accuracy. Furthermore,\nwe propose a heuristic iterative solution whose accuracy performance is\ncomparable to that of the DNN-based solution. The heuristic solution has\npolynomial time complexity whereas the DNN-based solution has linear time\ncomplexity.\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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».