Distributed learning methods in machine-type communications
Valente da Silva, Matheus (2025-04-17)
© University of Oulu, 2025. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2025. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
https://urn.fi/URN:NBN:fi:oulu-202503262222
Kuvaus
Tiivistelmä
Machine-Type Communications (MTC) have become increasingly important in the 5G era, particularly in IoT systems such as smart cities and smart industries. Efficient communication protocols are essential in these systems, which must comply with various constraints, such as battery restrictions and limited computational capabilities. Machine learning techniques have proven to be a promising solution to optimize these systems. Reinforcement learning stands out in wireless communications, and Q-Learning is particularly useful for its ability to be implemented in a distributed and model-free manner. Federated learning (FL) allows each device to train its model and share it with a server that aggregates every model and sends the updated model back to the devices. This increases privacy, not transmitting the device data. However, sharing models over wireless channels can put a significant burden on the communication network. Over-the-Air (OTA) aggregation can reduce the communication overhead in federated learning and improve the energy efficiency of MTC systems by reducing the amount of data transmitted and processed, leading to longer battery life for devices. The goal of this doctoral research is to develop machine learning-based frameworks to improve the spectral efficiency and overall performance of the network. Specifically, the research aims to explore various machine learning techniques alongside non-orthogonal multiple access, cell-free massive MIMO, and over-the-air computation techniques.
Konetyyppisestä viestinnästä (MTC) on tullut yhä tärkeämpää 5G-aikakaudella, erityisesti IoT-järjestelmissä, kuten älykkäissä kaupungeissa ja älykkäässä teollisuudessa. Tehokkaat viestintäprotokollat ovat olennaisen tärkeitä näissä järjestelmissä, joiden on noudatettava erilaisia rajoituksia, kuten akkujen rajoituksia ja rajallisia laskentakapasiteetteja. Koneoppimistekniikat ovat osoittautuneet lupaavaksi ratkaisuksi näiden järjestelmien optimointiin. Vahvistusoppiminen erottuu edukseen langattomassa viestinnässä, ja Q-Learning on erityisen hyödyllinen, koska se voidaan toteuttaa hajautetusti ja mallittomasti. Federoidun oppimisen (Federated Learning, FL) avulla jokainen laite voi kouluttaa oman mallinsa ja jakaa sen palvelimen kanssa, joka yhdistää kaikki mallit ja lähettää päivitetyn mallin takaisin laitteille. Tämä lisää yksityisyyttä, ei lähetä laitetietoja ja antaa laitteille mahdollisuuden yleistettyyn malliin. Mallien jakaminen langattomilla kanavilla voi kuitenkin kuormittaa viestintäverkkoa merkittävästi. Over-the-Air (OTA) -aggregointi voi vähentää tiedonsiirron yleiskustannuksia federoidussa oppimisessa ja parantaa MTC-järjestelmien energiatehokkuutta vähentämällä lähetettävän ja käsiteltävän tiedon määrää, mikä johtaa laitteiden akun pidempään kestoon. Väitöstutkimuksen tavoitteena on kehittää koneoppimiseen perustuvia kehyksiä verkon spektritehokkuuden ja kokonaissuorituskyvyn parantamiseksi. Tutkimuksessa pyritään erityisesti tutkimaan erilaisia koneoppimistekniikoita yhdessä ei-ortogonaalisen moniliitynnän, soluttoman massiivisen MIMO:n ja over-the-air-laskentatekniikoiden kanssa.
Original papers
-
Da Silva, M. V., Eldeeb, E., Shehab, M., Alves, H., & Souza, R. D. (2025). Distributed learning methodologies for massive machine type communication. IEEE Internet of Things Magazine, 8(1), 102–108. https://doi.org/10.1109/IOTM.001.2400093 https://doi.org/10.1109/IOTM.001.2400093
-
Da Silva, M. V., Montejo-Sanchez, S., Souza, R. D., Alves, H., & Abrao, T. (2022). D2D assisted Q-learning random access for NOMA-based MTC networks. IEEE Access, 10, 30694–30706. https://doi.org/10.1109/ACCESS.2022.3160156 https://doi.org/10.1109/ACCESS.2022.3160156
-
Da Silva, M. V., Choi, J., Souza, R. D., & Alves, H. (2024). A distributed mMIMO architecture for over-the-air federated learning. Manuscript submitted for publication.
Osajulkaisut
-
Da Silva, M. V., Eldeeb, E., Shehab, M., Alves, H., & Souza, R. D. (2025). Distributed learning methodologies for massive machine type communication. IEEE Internet of Things Magazine, 8(1), 102–108. https://doi.org/10.1109/IOTM.001.2400093 https://doi.org/10.1109/IOTM.001.2400093
-
Da Silva, M. V., Montejo-Sanchez, S., Souza, R. D., Alves, H., & Abrao, T. (2022). D2D assisted Q-learning random access for NOMA-based MTC networks. IEEE Access, 10, 30694–30706. https://doi.org/10.1109/ACCESS.2022.3160156 https://doi.org/10.1109/ACCESS.2022.3160156
-
Da Silva, M. V., Choi, J., Souza, R. D., & Alves, H. (2024). A distributed mMIMO architecture for over-the-air federated learning. Manuscript submitted for publication.
Kokoelmat
- Avoin saatavuus [38840]