Low Earth Orbit Satellite (LEOS)-Assisted Integrated Access and Backhauling in xG Wireless Communication: A Generalizable RL Framework
Notice bibliographique
Résumé
In next-generation (xG) wireless communication networks, developing generalizable learning models that inherently adapt to diverse conditions is crucial. This paper proposes a reinforcement learning (RL) framework for subchannel (SC) allocation in low Earth orbit satellite (LEOS)-assisted integrated access and backhauling (IAB) networks. We consider an integrated terrestrial-satellite network, where a LEOS provides backhaul services to cellular base stations (BSs) in remote areas while forwarding data from mobile user equipments (UEs) to the core network. The objective is to maximize the achievable rate for UEs while satisfying demand requirements and backhaul constraints. To ensure generalizable and efficient SC allocation across environments, we formulate the resource management problem as an invariant policy learning framework, which is decomposed into two subproblems: state representation learning and policy optimization. Our approach learns state representations that remain invariant across diverse environments. Additionally, the invariant policy, obtained from the hypergraph output layer, captures the fundamental causes of successful actions, enabling robust decision-making. By embedding problem constraints into both the model architecture and the training objective, the framework enhances the transparency of the invariant policy optimization process. Furthermore, we derive a data-dependent generalization bound that characterizes the policy’s performance in unseen environments. Simulation results demonstrate that the proposed policy consistently outperforms traditional methods across multiple environments.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,008 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,008 |
| 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 ».