Adaptive Bandwidth Allocation in Multiuser MIMO THz Systems with Graph-Transformer Networks
Notice bibliographique
Résumé
Terahertz (THz) wireless systems aim to support content-rich applications with ultra-high data rate. Due to high molecular absorption, THz signals experience severe path loss. Adaptive sub-band bandwidth (ASB) allocation can mitigate absorption attenuation by allocating THz sub-bands with variable bandwidth to the users. However, in ASB allocation, since the bandwidth of sub-bands may not be known a priori, accurate channel estimation is challenging. To overcome this issue, in this paper, we propose a heterogeneous graph-transformer network (HGTN) to bypass the channel estimation phase. We formulate a sum-rate maximization problem with quality-of-service (QoS) constraints in a multiuser multiple-input multiple-output (MU-MIMO) THz system to optimize the precoding and ASB allocation. The proposed HGTN parameterizes the mapping from input features (e.g., location information, users' minimum data rate) to the optimized system parameters via unsupervised learning. The proposed HGTN can be applied to systems with different number of users once it is trained. Simulation results show that our proposed HGTN achieves a higher system sum-rate with faster convergence when compared with the unsupervised deep neural network learning algorithm.
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 ».