Published February 2, 2022
| Version v1
Publication
Open
Adversarial Bandit Approach for RIS-Aided OFDM Communication
Creators
- 1. Université du Québec à Trois-Rivières
- 2. Ho Chi Minh City University of Science
- 3. Incheon National University
- 4. National Telecommunications Institute
Description
Abstract To assist sixth-generation wireless systems in the management of a wide variety of services, ranging from mission-critical services to safety critical tasks, key physical layer technologies such as reconfigurable intelligent surfaces (RISs) are proposed. Even though RISs are already used in various scenarios to enable the implementation of smart radio environments, they still face challenges with regards to real time operation. Specifically, RISs typically need costly, high dimensional channel estimation with offline exhaustive search, requiring prohibitive hardware complexity or online exhaustive beam-training that incurs high training overhead. While in its infant stage, the application of deep learning (DL) tools shows promise in enabling feasible solutions. In this paper, we propose two low-training overhead and energy-efficient adversarial bandit-based schemes with outstanding performance gains when compared to DL-based reflection beamforming reference methods. The resulting deep learning models are discussed using state-of-the art model quality prediction trends.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
لمساعدة أنظمة الجيل السادس اللاسلكية في إدارة مجموعة واسعة من الخدمات، بدءًا من الخدمات الحرجة للمهام إلى المهام الحرجة للسلامة، يتم اقتراح تقنيات الطبقة المادية الرئيسية مثل الأسطح الذكية القابلة لإعادة التشكيل (RISs). على الرغم من استخدام RISs بالفعل في سيناريوهات مختلفة لتمكين تنفيذ بيئات الراديو الذكية، إلا أنها لا تزال تواجه تحديات فيما يتعلق بالتشغيل في الوقت الفعلي. على وجه التحديد، تحتاج RISs عادةً إلى تقدير قناة مكلفة وعالية الأبعاد مع بحث شامل دون اتصال بالإنترنت، مما يتطلب تعقيدًا باهظًا للأجهزة أو تدريبًا شاملاً عبر الإنترنت يتكبد تكاليف تدريب عالية. بينما في مرحلة الطفولة، يظهر تطبيق أدوات التعلم العميق (DL) واعدًا في تمكين الحلول الممكنة. في هذه الورقة، نقترح مخططين علويين منخفضي التدريب وموفرين للطاقة يعتمدان على اللصوص المتخاصمين مع مكاسب أداء متميزة عند مقارنتهما بالطرق المرجعية لتشكيل شعاع الانعكاس القائم على DL. تتم مناقشة نماذج التعلم العميق الناتجة باستخدام أحدث اتجاهات التنبؤ بجودة النموذج.Translated Description (French)
Résumé Pour aider les systèmes sans fil de sixième génération à gérer une grande variété de services, allant des services essentiels à la mission aux tâches critiques pour la sécurité, des technologies clés de couche physique telles que les surfaces intelligentes reconfigurables (SIF) sont proposées. Même si les SIF sont déjà utilisés dans divers scénarios pour permettre la mise en œuvre d'environnements radio intelligents, ils sont toujours confrontés à des défis en ce qui concerne le fonctionnement en temps réel. Plus précisément, les SIF ont généralement besoin d'une estimation de canal coûteuse et de grande dimension avec une recherche exhaustive hors ligne, nécessitant une complexité matérielle prohibitive ou une formation par faisceau exhaustive en ligne qui entraîne des frais généraux de formation élevés. Alors qu'il en est encore à ses balbutiements, l'application des outils d'apprentissage profond (DL) est prometteuse pour permettre des solutions réalisables. Dans cet article, nous proposons deux systèmes basés sur des bandits antagonistes à faible coût d'entraînement et économes en énergie avec des gains de performance exceptionnels par rapport aux méthodes de référence de formation de faisceaux par réflexion basées sur DL. Les modèles d'apprentissage profond résultants sont discutés à l'aide de tendances de prédiction de la qualité des modèles de pointe.Translated Description (Spanish)
Resumen Para ayudar a los sistemas inalámbricos de sexta generación en la gestión de una amplia variedad de servicios, que van desde servicios de misión crítica hasta tareas críticas de seguridad, se proponen tecnologías clave de capa física como las superficies inteligentes reconfigurables (RIS). A pesar de que los RIS ya se utilizan en varios escenarios para permitir la implementación de entornos de radio inteligentes, aún enfrentan desafíos con respecto a la operación en tiempo real. Específicamente, los RIS generalmente necesitan una estimación de canal costosa y de alta dimensión con una búsqueda exhaustiva fuera de línea, lo que requiere una complejidad de hardware prohibitiva o una capacitación exhaustiva en línea que incurre en una alta sobrecarga de capacitación. Mientras está en su etapa inicial, la aplicación de herramientas de aprendizaje profundo (DL) es prometedora para permitir soluciones factibles. En este documento, proponemos dos esquemas basados en bandidos adversarios de baja sobrecarga de entrenamiento y eficiencia energética con ganancias de rendimiento sobresalientes en comparación con los métodos de referencia de formación de haces de reflexión basados en DL. Los modelos de aprendizaje profundo resultantes se discuten utilizando tendencias de predicción de calidad de modelos de última generación.Files
latest.pdf.pdf
Files
(712.6 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:156abc927f4a678b03088f213d21e95d
|
712.6 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نهج اللصوصية العدائية لاتصالات OFDM المدعومة من RIS
- Translated title (French)
- Approche Adversarial Bandit pour la communication OFDM assistée par ris
- Translated title (Spanish)
- Enfoque de bandido adversario para la comunicación OFDM asistida por RIS
Identifiers
- Other
- https://openalex.org/W4210444826
- DOI
- 10.21203/rs.3.rs-1244428/v1