[論文レビュー] 6G White Paper on Machine Learning in Wireless Communication Networks

Sammad Ali, Walid Saad+25 more|arXiv (Cornell University)|Apr 28, 2020

Advanced Wireless Communication Technologies参考文献 44被引用数 94

ひとこと要約

機械学習を6G無線ネットワーク全体に統合する方法の総合的な概要で、PHY、MAC、セキュリティ、アプリケーション層の方法論、アーキテクチャ配置、研究課題をカバーします。

ABSTRACT

The focus of this white paper is on machine learning (ML) in wireless communications. 6G wireless communication networks will be the backbone of the digital transformation of societies by providing ubiquitous, reliable, and near-instant wireless connectivity for humans and machines. Recent advances in ML research has led enable a wide range of novel technologies such as self-driving vehicles and voice assistants. Such innovation is possible as a result of the availability of advanced ML models, large datasets, and high computational power. On the other hand, the ever-increasing demand for connectivity will require a lot of innovation in 6G wireless networks, and ML tools will play a major role in solving problems in the wireless domain. In this paper, we provide an overview of the vision of how ML will impact the wireless communication systems. We first give an overview of the ML methods that have the highest potential to be used in wireless networks. Then, we discuss the problems that can be solved by using ML in various layers of the network such as the physical layer, medium access layer, and application layer. Zero-touch optimization of wireless networks using ML is another interesting aspect that is discussed in this paper. Finally, at the end of each section, important research questions that the section aims to answer are presented.

研究の動機と目的

• MLが将来の6G無線ネットワークにとってなぜ決定的であり、従来のモデルに対して期待される利点が何であるかを説明する。
• 無線ネットワークに適したML手法の調査と、それらが古典的手法を置換または補完する潜在力。
• 物理層、MAC、セキュリティ、アプリケーション層全体でMLをどのように適用できるかを特定し、ゼロタッチネットワーク最適化について論じる。
• 6GにおけるMLに関連する実装上の考慮事項、データ管理、標準化活動を強調する。

提案手法

• 機械学習パラダイム（ supervised, unsupervised, reinforcement learning ）を評価・分類し、それらが無線タスクに適用可能かを検討する。
• 深層学習、確率的手法、RKHS、Federated learning、RLを6Gの問題解決のツールとして論じる。
• PHY層機能（チャネル符号化、同期、位置推定、チャネル推定、ビームフォーミング）およびネットワーク層（MAC、セキュリティ、アプリケーション層）に対するML駆動アプローチを提案する。
• エンドツーエンド自動符号化器（autoencoder）コンセプトと、物理層最適化のためのモデルベース手法との統合を説明する。
• ハードウェア要件、トレーニングと推論のフェーズ、データ/プライバシー制約（federated learningを含む）など、実用的な展開面を扱う。

実験結果

リサーチクエスチョン

• RQ1 どのML手法が6G無線ネットワークで主要な役割を果たすだろうか？
• RQ2 6G無線ネットワークのどの領域で深層学習が活用されるだろうか？
• RQ3 なぜ深層強化学習が6G自動化の主要な構成要素になるのか？
• RQ4 オープンデータアクセスを事業者のビジネス上の利益とどのように整合させることができるか？
• RQ5 リソース制約のあるプラットフォームへモデルを効率的に転送するにはどうすればよいか？
• RQ6 アプリケーションおよびプラットフォーム依存のモデルをどのように選択・展開すべきか？

主な発見

• MLは、層間のリアルタイム分析とゼロタッチ運用を実現することで、6Gの中核となる。
• データ、プライバシー、多様性の課題のため、MLパラダイムの混在とハイブリッドなモデルベースアプローチが必要です。
• Federated learningとエンドツーエンドDL/autoencoderの概念は、共同最適化と堅牢な性能の可能性を示しています。
• RF、PHY、MAC、セキュリティの問題は、ML支援のビームフォーミング、チャネル推定、リソース管理から恩恵を受ける可能性がある。
• 実装上の課題には、データ入手性、トレーニング要件、デバイスのハードウェア制約が含まれる。