| Metadato | Etiqueta | Valor | Idioma |
|---|---|---|---|
| dc.contributor.author | Autor | Rattaro, Claudina | - |
| dc.contributor.author | Autor | Larroca, Federico | - |
| dc.contributor.author | Autor | Capdehourat, Germán | - |
| dc.contributor.filiacion | Filiación | Rattaro Claudina, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
| dc.contributor.filiacion | Filiación | Larroca Federico, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
| dc.contributor.filiacion | Filiación | Capdehourat Germán, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
| dc.date.accessioned | Fecha ingreso | 2021-12-29T17:28:47Z | - |
| dc.date.available | Fecha disponible | 2021-12-29T17:28:47Z | - |
| dc.date.issued | Año de publicación | 2021 | - |
| dc.description.abstract | Resumen | In wireless communications, optimizing the resource allocation requires the knowledge of the state of the channel. This is even more important in device-to-device communications, one typical use case in 5G/6G networks, where such knowledge is hard to obtain at reasonable signaling costs. In this paper, we study the use of graph-based machine learning methods to address this problem. That is to say, we learn to predict the channel state on a given link through measurements on other links, thus decreasing signaling overhead. In particular, we model the problem as a link-prediction one and we consider two representative approaches: Random Dot Product Graphs and Graph Neural Networks. The key point is that these methods consider the geometric structure underlying the data. They thus enable better generalization and require less training data than classic methods, as we show on our evaluation using a dataset of RSSI measurements of real-world Wi-Fi operating networks. | en |
| dc.description.sponsorship | Financiadores | Este trabajo ha sido apoyado por la Agencia Nacional de Investigación e Innovación (ANII), Uruguay, subvenciones Fondo Maria Viñas 3 2018 1 148149 y Fondo María Viñas 1 2019 1 155700. | es |
| dc.format.extent | Extensión | 5 p. | es |
| dc.format.mimetype | Formato | application/pdf | es |
| dc.identifier.citation | Citación | Rattaro, C., Larroca, F. y Capdehourat, G. Predicting wireless RSSI using machine learning on graphs [en línea]. EN: IEEE URUCON 2021, Montevideo, Uruguay, 24-26 nov. 2021, 5 p. DOI 10.1109/URUCON53396.2021.9647374 | es |
| dc.identifier.doi | DOI | 10.1109/URUCON53396.2021.9647374 | - |
| dc.identifier.uri | URI | https://hdl.handle.net/20.500.12008/30570 | - |
| dc.language.iso | Idioma | en | es |
| dc.publisher | Editorial | IEEE | es |
| dc.relation.ispartof | EN | IEEE URUCON 2021 , Montevideo, Uruguay, 24-26 nov. 2021, pp. 372-376. | es |
| dc.rights | Derechos | Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014) | es |
| dc.rights.licence | Licencia | Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) | es |
| dc.subject | Palabras clave | Wireless communication | en |
| dc.subject | Palabras clave | Knowledge engineering | en |
| dc.subject | Palabras clave | Costs | en |
| dc.subject | Palabras clave | Training data | en |
| dc.subject | Palabras clave | Machine learning | en |
| dc.subject | Palabras clave | Particle measurements | en |
| dc.subject | Palabras clave | Graph neural networks | en |
| dc.subject | Palabras clave | Embeddings | en |
| dc.subject | Palabras clave | Graph representation learning | es |
| dc.subject | Palabras clave | Link-prediction | en |
| dc.title | Título | Predicting wireless RSSI using machine learning on graphs. | en |
| dc.type | Tipo de documento | Ponencia | es |
Colecciones:
| Ficheros | Descripción | Tamaño | Formato | ||
|---|---|---|---|---|---|
| RLC21.pdf | Camera-Ready | 192.83 KB | Adobe PDF |