Collaborative Research: SWIFT: SMALL: Learning-Efficient Spectrum Access for No-Sensing Devices in Shared Spectrum

合作研究：SWIFT：SMALL：共享频谱中无感知设备的学习高效频谱访问

基本信息

批准号：
2030026
负责人：
Jing Yang
金额：
$ 22万
依托单位：
Pennsylvania State Univ University Park
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2020
资助国家：
美国
起止时间：
2020-09-15 至 2024-08-31
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=2030026&HistoricalAwards=false
关键词：
Collaborative Research SWIFT SMALL Learning

项目摘要

This project develops a novel online learning based framework for distributed low-cost devices to efficiently and effectively access the shared spectrum without spectrum sensing. It specifically focuses on no-sensing devices that do not have the powerful radio-frequency (RF) components to enable wideband spectrum sensing, and addresses the cross-technology spectrum access problem in a decentralized setting. A pertinent application the proposed solution addresses is the dynamic spectrum access of Internet-of-Things (IoT) devices that are deployed in either unlicensed or lightly licensed spectrum, in which the distributed IoT devices need to coexist with other active systems. The no-sensing spectrum access and sharing framework has the potential to revolutionize the operation and management of modern and future wireless networks, considerably enhance the spectrum utilization efficiency, and dramatically alleviate the constantly increasing pressure on the limited radio spectrum. The cross disciplinary nature of the research would naturally translate into case studies and projects in a number of undergraduate and graduate level courses taught by the PIs in areas of communications, machine learning, and networking.This project aims to develop a suite of online learning based spectrum access algorithms for no-sensing devices to coexist with other active systems. The first study focuses on improving the learning efficiency by introducing the best arm identification framework and proposing meta-learning and good channel identification algorithms. The second thrust is devoted to designing spectrum access mechanisms that can seamlessly integrate hybrid automatic repeat request (HARQ). Novel algorithms will be designed to learn the optimal sequence of channels for possible retransmissions, and enhanced for fine-grained control that captures the coding level behavior of HARQ. The last thread of investigation considers multi-user multi-technology coexistence and will develop implicit-communication based distributed spectrum access algorithms. Finally, a thorough validation of the algorithms and spectrum access schemes will be performed using a lab testbed and real-world datasets.This award reflects NSF's statutory mission and has been deemed worthy of support through evaluation using the Foundation's intellectual merit and broader impacts review criteria.

该项目开发了一种新颖的基于在线学习的框架，用于分布式低成本设备，无需频谱感知即可高效地访问共享频谱。它特别关注那些不具备强大的射频（RF）组件来实现宽带频谱感知的无感知设备，并解决分散环境中的跨技术频谱访问问题。所提出的解决方案解决的一个相关应用是部署在未经许可或轻度许可频谱中的物联网 (IoT) 设备的动态频谱访问，其中分布式物联网设备需要与其他活动系统共存。无感知频谱接入和共享框架有可能彻底改变现代和未来无线网络的运营和管理，显着提高频谱利用效率，并极大地缓解有限无线电频谱不断增加的压力。该研究的跨学科性质自然会转化为 PI 在通信、机器学习和网络领域教授的许多本科和研究生课程中的案例研究和项目。该项目旨在开发一套基于在线学习的套件无传感设备与其他有源系统共存的频谱访问算法。第一项研究的重点是通过引入最好的手臂识别框架并提出元学习和良好的通道识别算法来提高学习效率。第二个重点是设计能够无缝集成混合自动重复请求（HARQ）的频谱访问机制。新的算法将被设计来学习可能的重传的最佳信道序列，并增强捕获 HARQ 编码级行为的细粒度控制。最后一个研究线索考虑多用户多技术共存，并将开发基于隐式通信的分布式频谱接入算法。最后，将使用实验室测试台和真实数据集对算法和频谱访问方案进行彻底验证。该奖项反映了 NSF 的法定使命，并通过使用基金会的智力优点和更广泛的影响审查标准进行评估，被认为值得支持。

项目成果

期刊论文数量（13）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Federated Linear Contextual Bandits

联合线性上下文强盗

DOI：
发表时间：
2021-01
期刊：
Advances in neural information processing systems
影响因子：
0
作者：
Huang, Ruiquan;Wu, Weiqiang;Yang, Jing;Shen, Cong
通讯作者：
Shen, Cong

FLORAS: Differentially private wireless federated learning using orthogonal sequences

FLORAS：使用正交序列的差分私有无线联合学习

DOI：
发表时间：
2023-01
期刊：
EEE International Conference on Communications (ICC
影响因子：
0
作者：
Wei, X.;Wang, T.;Huang, R.;Shen, C.;Yang, J.;Poor, H. V.
通讯作者：
Poor, H. V.

Provably Efficient Offline Reinforcement Learning with Perturbed Data Sources

使用扰动数据源进行可证明高效的离线强化学习

DOI：
发表时间：
2023-01
期刊：
Proceedings of the 40th International Conference on Machine Learning
影响因子：
0
作者：
Shi, C.;Xiong, W.;Shen, C.;Yang, J.
通讯作者：
Yang, J.

Non-stationary Reinforcement Learning under General Function Approximation

通用函数逼近下的非平稳强化学习

DOI：
发表时间：
2023-01
期刊：
roceedings of the 40th International Conference on Machine Learning
影响因子：
0
作者：
Feng, S.;Yin, M.;Huang R.;Wang Y. X.;Yang, J.;Liang, Y.
通讯作者：
Liang, Y.

Heterogeneous Multi-player Multi-armed Bandits: Closing the Gap and Generalization

异构多人多臂强盗：缩小差距和泛化

DOI：
发表时间：
2021-01
期刊：
Advances in neural information processing systems
影响因子：
0
作者：
Shi, Chengshuai;Xiong, Wei;Shen, Cong;Yang, Jing
通讯作者：
Yang, Jing

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Jing Yang其他文献

Immunosuppressive Treatment Can Alter Visual Performance in the Royal College of Surgeons Rat.

免疫抑制治疗可以改变皇家外科学院大鼠的视觉表现。

DOI：
发表时间：
2016
期刊：
Journal of Ocular Pharmacology and Therapeutics
影响因子：
2.3
作者：
A. Cooper;Jang‐Hyeon Cho;Steven Menges;S. Masood;Junmuzi Xie;Jing Yang;H. Klassen
通讯作者：
H. Klassen