6Gネットワークスライシングにおけるセマンティック認識型リソース割当のためのGAN強化深層強化学習

要旨: 第六世代（6G）無線ネットワークは、異種サービスに対応する必要があります。すなわち、1 Tbpsのデータレートを要求する強化型モバイルブロードバンド（eMBB）、1 kmあたり1,000万デバイスを支える大規模機械タイプ通信（mMTC）、および0.1〜1 msの遅延を持つ超信頼・低遅延通信（URLLCです）。現行のリソース割当には3つの制限があります：(1) 意味的盲目性により、冗長なデータに35%の帯域が無駄にされること、(2) 離散的な行動の量子化、(3) 限定的な学習の多様性です。本論文では、交通合成のための条件付きGAN、連続行動のDDPG、意味に配慮した報酬最適化を統合する、生成敵対ネットワーク強化型の深層決定論的ポリシー勾配フレームワークであるGAN-DDPGを提案します。統計的検証を伴う大規模なシミュレーションにより、基準となるDDPGと比較して顕著な改善が示されています：URLLCで22%、eMBBで20%、mMTCで25%のスペクトル効率向上（いずれもp < 0.001）、さらに遅延が18%減少し、パケットロスが31%減少しました。