Federated Dynamic Spectrum Access
원문 초록
Due to the growing volume of data traffic produced by the surge of Internet of Things (IoT) devices, the demand for radio spectrum resources is approaching their limitation defined by Federal Communications Commission (FCC). To this end, Dynamic Spectrum Access (DSA) is considered as a promising technology to handle this spectrum scarcity. However, standard DSA techniques often rely on analytical modeling wireless networks, making its application intractable in under-measured network environments. Therefore, utilizing neural networks to approximate the network dynamics is an alternative approach. In this article, we introduce a Federated Learning (FL) based framework for the task of DSA, where FL is a distributive machine learning framework that can reserve the privacy of network terminals under heterogeneous data distributions. We discuss the opportunities, challenges, and opening problems of this framework. To evaluate its feasibility, we implement a Multi-Agent Reinforcement Learning (MARL)-based FL as a realization associated with its initial evaluation results.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
범용 협력 지능: 회복력 있는 다중 에이전트 생태계를 위한 인지 아키텍처
General Collaborative Intelligence: Architecting Cognition for Resilient Multi-Agent Ecosystems
다중 에이전트 무인 시스템은 고립된 자기 중심적 sensing에서 협력 지능으로 이동하고 있으며, 분산 에이전트들이 압축된 특징(feature)을 교환하여 어떤 단일 에이전트도 벗어날 수 없는 국소 관측의 함정—가림(occlusion), 유한한 센서 범위, 환경 열화—to overcome. 해당 분야는 아키텍처, 통신, embodied, 회복력(resilience), 신뢰 차원에서 성숙해 왔지만, 기존 서베이는 이러한 차원을 각각 따로 다루며 그 의존 관계를 거의 드러내지 않는다. 본 리뷰는 두 가지 상보적 렌즈를 통해 통합적 종합을 제시한다. 첫째는 협력 단계, 통신 패러다임, 융합 아키텍처, 학습 전략, 응용 도메인에 걸친 5차원 분류체계이다. 둘째는 인지적 시너지를 운영 기준으로 전환하는 세 가지 인지적 시너지 조건—의미적 모호성 해소(Semantic Disambiguation), 화용론적 정보 교환(Pragmatic Information Exchange), 선제적 정보 탐색(Proactive Informational Foraging)—이다. 이러한 렌즈를 통해 협력 아키텍처와 토폴로지, 채널을 미분 가능한 파이프라인 구성요소로 다루는 신경-통신 공동 설계(neural-communication co-design), 다중 에이전트 강화학습을 통한 embodied 행동-지각 루프, 동기화·불확실성 정량화·라벨 효율적 학습을 위한 회복력 메커니즘을 조망한다. 이어 이러한 진전을 V2X, 무인 항공, 산업 물류, 스마트 시티의 네 가지 운영 도메인과 안전-프라이버시-유용성(safety-privacy-utility) 삼각 관계에 대응시킨다. 벤치마크 포화와 평가 파편화에 대응하기 위해, 본문은 협력 방법의 트레이드오프를 연구 간 비교 가능하게 만드는 성숙도 모델을 갖춘 5기둥 scoring 프로토콜 GCI-Bench를 제안한다. 재현성, sim-to-real 격차, 협력이 성능을 저하시키는 조건에 대한 비판적 성찰을 통해 미해결 과제를 밝히고, 실세계 불확실성 하에서 범용 협력 지능을 향한 방향을 제시한다.
트윈 인식 연합 강화학습을 통한 자율주행 시스템 보안
Securing Autonomous Vehicle Systems via Twin-Aware Federated Reinforcement Learning
연합 강화학습(FRL)은 원시 데이터를 공유하지 않고 다수의 에이전트에 걸친 협력 학습을 가능하게 함으로써 동적 차량 환경에서의 의사결정 과정에서 프라이버시와 확장성을 향상시키는 데 있어 핵심적이다. 그러나 포이즈닝 공격은 FRL 기반 시스템의 보안과 신뢰성에 심각한 위협을 가하며, 특히 이 취약점이 아직 충분히 탐구되지 않은 안전 필수적 자율주행 분야에서 더욱 그러하다. 이러한 공격은 악의적인 시스템 파라미터를 교묘하게 주입하여 전역 제어 모델을 손상시킴으로써 잠재적 위험을 초래할 수 있다. 이러한 도전 과제에 대응하기 위해, 우리는 안전 필수적 주행 시나리오를 위해 설계된 FRL 시스템의 견고성을 향상시키기 위한 방어 프레임워크로서 \alg(포이즈닝 방지 및 이력 강화를 갖춘 보안 집계)를 제시한다. \alg는 리허설 기반 학습을 위해 디지털 트윈을 전략적으로 통합하고, 과거의 집계된 모델 파라미터와 선택된 중심 그래디언트를 활용하여 양성 데이터만 집계되도록 보장함으로써 악의적 에이전트의 영향을 효과적으로 완화한다. 포이즈닝 공격이 존재하는 상황에서 \alg의 수렴 성능에 대한 이론적 보장이 제공된다. 또한 적대적 조건 하에서 자율주행 차량의 제어를 평가하기 위해 실제적인 고속도로 환경을 모델링하는 개발된 디지털 트윈을 사용하여 \alg의 효과를 검증한다.
스마트 그리드의 분산 안정성 제어를 위한 연합 물리 기반 강화학습
Federated Physics-Grounded Reinforcement Learning for Distributed Stability Control in Smart Grids
스마트 그리드에서의 과도 안정성 제어는 연쇄 고장을 방지하기 위해 고장 후 발전기 주파수 및 회전자 각도 편차를 신속하게 감쇠시켜야 한다. 본 논문은 FedPPO-PG를 제안한다. 이는 물리 기반 이웃 구조를 갖춘 연합 다중 에이전트 근위 정책 최적화(Federated Multi-Agent Proximal Policy Optimization) 프레임워크로, 과도 안정성 제어를 폐루프 안정성 목표에 직접 최적화되는 협력적 다중 에이전트 강화학습 문제로 재정식화한다. 각 발전기는 독립적인 로컬 액터를 보유하며, 고장 후 Kron 축소 서셉턴스 행렬에서 식별된 전기적으로 가장 강하게 결합된 두 이웃의 주파수 편차로 증강된다. 가이드 정책 초기화 단계에서는 모든 액터를 고전적 분산 제어기로부터 워밍업하고, 중앙화 학습-분산 실행(CTDE) 패러다임하에서 중앙화 비평자가 이점 추정을 안내한다. IEEE 39-버스 벤치마크 시스템 시뮬레이션에서 5가지 학습 및 3가지 미지의 고장 상황에 대해 평가한 결과, FedPPO-PG는 24회 모든 시험에서 100% 안정화를 달성하고, 중앙화 기준선 대비 평균 안정화 시간을 72.4% 단축하며, 제어 전력을 7~14배 절감한다. 각 액터는 배포 시 중앙 코디네이터 없이 독립적으로 실행되며, 액터당 추론 지연 시간은 IEEE/IEC 60255-118-1-2018 실시간 보고 요건을 충족한다.
에이전틱 IoT: 에이전트 인터넷을 향한 아키텍처, 응용, 그리고 과제
Agentic IoT: Architectures, Applications, and Challenges Toward the Internet of Agents
AI를 사물인터넷(AIoT) 시스템에 통합하는 과정은 이러한 시스템을 수동적인 데이터 수집 인프라에서 이상 탐지, 예측 유지보수, 분류(classification), 예측, 최적화가 가능한 지능형 시스템으로 점진적으로 변화시켜 왔다. 그러나 기존 솔루션의 대부분은 센서 데이터로부터 추론(inference)하는 작업 특화 모델에 의존하고 있어, 실시간 추론(reasoning), 적응적 계획(adaptive planning), 자율 조율(autonomous coordination), 학습, 도구 사용(tool use), 맥락적 의사결정(contextual decision-making)과 같은 시스템 전반의 역량은 여전히 제한적이다. 본 논문은 자율 AI 에이전트의 인지(perception), 추론, 계획, 학습, 행동 능력을 사이버-물리 시스템(cyber-physical systems)과 통합하는 차세대 인지 IoT 패러다임으로서 에이전틱 IoT(Agentic IoT)를 고찰한다. 에이전틱 IoT는 IoT를 데이터 중심의 감지 및 추론 인프라에서 디바이스/엣지-포그-클라우드(device/edge-fog-cloud) 연속체에 걸쳐 운용되는 분산형 인지 에이전트 생태계로 변모시키는 것을 목표로 한다. 본 논문은 먼저 이러한 전환을 패러다임 전환으로 정립하고, 에이전틱 IoT를 AIoT, 엣지 지능(edge intelligence), 다중 에이전트 시스템(multi-agent systems), 에이전트 인터넷(Internet of Agents)과의 관계 속에서 위치시킨다. 이후 현행 연구들을 체계적으로 검토하고, 통합적 아키텍처 프레임워크를 제시하며, 도메인별 응용 가능성을 논의하고, 핵심 기술적·운영적·연구적 과제와 향후 연구 방향을 규명한다.
Minimal MMAO: 적응형 메타휴리스틱 탐색을 위한 자원 폐쇄 루프 프레임워크
Minimal MMAO: A Resource-Closed-Loop Framework for Adaptive Metaheuristic Search
공정 예산 연속 및 이산 벤치마크에서 MMAO의 대규모 실증 평가
A Large-Scale Empirical Evaluation of MMAO Under Fair-Budget Continuous and Discrete Benchmarks
본 논문은 프레임워크 자체를 다시 소개하는 대신, 더 엄격한 경험적 프로토콜 하에서 대사 다중 에이전트 최적화기(MMAO)를 평가한다. 연구는 MMAO의 폐루프 자원 할당 원리가 더 광범위하고 더 표준적이며 예산이 더 명시적으로 통제된 연속 및 이산 벤치마크에서도 신뢰성을 유지하는지를 묻는다. 완료된 주요 행렬은 각각 20개 시드를 갖는 10D와 30D의 CEC2017 함수 8개와 각각 20개 시드를 갖는 TSPLIB 인스턴스 5개를 다루며, PSO-lite, ES-lite, 반복 탐욕 2-opt 경로 기준선을 포함한 더 강력한 재현 가능 기준선과 함께 평가한다. 여기에 공동 예산, 성공률, 역할 진화, 개체군 교체에 대한 궤적 수준 진단을 추가하고, 이산 증거를 경로 문제 너머로 확장하기 위해 보조적인 OR-Library 다중 배낭 문제 일부도 더한다. 이 프로토콜 하에서 MMAO는 연속 영역과 TSPLIB 영역 모두에서 외부 기준선 집합을 뚜렷하게 능가하며, 제거 변형들은 외부 기준선보다 전체 방법에 훨씬 더 가깝게 유지된다. 결과는 시험한 영역 전반에서 내생적 자원 재분배를 뒷받침하지만, 더 정밀한 메커니즘 분리와 더 폭넓은 대회 수준 비교는 열린 과제로 남는다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.