Empowering ISAC Systems With Federated Learning: A Focus on Satellite and RIS-Enhanced Terrestrial Integrated Networks
Notice bibliographique
Résumé
This paper presents a state-of-the-art analytical framework aimed to enhance spectral efficiency in satellite and terrestrial integrated networks (STINs), utilizing reconfigurable intelligent surface (RIS) within the realm of integrated sensing and communication (ISAC). Our methodology pivots on a pioneering federated deep reinforcement learning strategy that introduces new ground beyond conventional optimization techniques to tackle the intricate problem of non-convex resource allocation. The approach leverages federated learning to dynamically adapt to network changes, enabling efficient resource management and ensuring compliance with beamforming designs, multiple target signal-to-interference-plus-noise ratio thresholds, and RIS phase-shift requirements through an effective feedback loop. In particular, we propose a federated deep deterministic policy gradient (F-DDPG) algorithm across multi-agent systems that outperforms existing federated deep Q-network (F-DQN), centralized, and traditional DDPG and DQN methods. The empirical findings underscore the efficiency of the federated algorithms, which closely align with the performance of centralized models while markedly reducing execution time, thus achieving an optimal synergy between operational efficiency and system performance. Simulation results highlight the remarkable advantages of optimal RIS configurations, showcasing a performance increase of 54.2% over random RIS setups and a remarkable 76.8% enhancement compared to scenarios without RIS, underscoring the transformative impact of our federated learning approach. Additionally, our study evaluates the impact of channel estimation errors and interference, confirming the robustness of our approach and its potential to optimize ISAC-enabled STINs.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».