Flexible Resource Allocation in IRS-assisted Systems using Hypernetworks
Notice bibliographique
Résumé
Flexible resource allocation in intelligent reflecting surface (IRS)-assisted systems is necessary to account for fairness as well as time-varying channel behavior and user service priorities. An IRS-assisted system can achieve this flexibility by assigning different weights to each user when optimizing resources and the IRS configuration. In this paper, for the first time, we propose a hypernetwork-based beamforming (HNB) framework to dynamically leverage pilot information and user weights to generate the beamforming vectors and IRS configuration that maximize the weighted sum-rate (WSR) in a multi-user IRS-assisted system. As opposed to a traditional learning approach where a beamforming network (BFN) is trained once to optimize the WSR for every possible set of user weights, in a hypernetwork approach, a hypernetwork is trained to generate the learning parameters of the BFN conditioned on the input user weights, i.e., the BFN parameters are now adapted to the user weights without the need for any retraining. Numerical experiments corroborate the effectiveness of the proposed HNB framework to provide performance close to (within approximately 15−17% of) the optimistic benchmark produced by a numerical block-coordinate descent (BCD) algorithm that assumes perfect channel state information (CSI) knowledge. Moreover, the HNB trained with only a few epochs outperforms traditional fully-trained deep learning methods such as fully connected neural networks (FCNN) and graph neural networks (GNN). For example, in one considered scenario, the HNB nearly halves the gap to the BCD-with-CSI performance to 16% compared to gaps of 31% and 28% associated with FCNN and GNN schemes, respectively.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».