Optimizing User-Centric Clustering and Pilot Assignment in Cell-Free Networks for Enhanced Spectral Efficiency
Notice bibliographique
Résumé
Cell-free networks have emerged as a new paradigm for beyond-5G networks, offering uniform coverage and improved control over interference. However, scalability poses a challenge in full cell-free networks, where all access points (APs) serve all users. This challenge is addressed by user-centric clustering, where each user is served by a subset of APs, reducing complexity while maintaining coverage. In this paper, we provide an analysis of the relation between the user-centric clustering and pilot assignment problems in cell-free networks, and introduce a formulation which decouples both problems enabling each to be solved independently. We present a general problem formulation for the user-centric clustering problem, allowing the use of diverse per-user and network-wide performance metrics. Specifically, we focus on one instance of this framework, utilizing per-user spectral efficiency and network-wide sum spectral efficiency (SE) as metrics. Additionally, we formulate the pilot assignment problem to minimize overall channel estimation error while considering the user-centric clusters in evaluating the desirability of pilot assignments, which leads to better performing solutions. Both problems are classified as binary nonlinear programs that are at least NP-hard. To solve these optimization problems, our proposed methodology employs sample average approximation coupled with surrogate optimization for the user-centric clustering problem and utilizes the genetic algorithm for the pilot assignment problem. Numerical experiments demonstrate that the optimized solutions surpass baseline solutions, leading to significant improvements in spectral efficiency.
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 | 0,000 |
| 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 ».