Apprentissage pour l'Accès Opportuniste au Spectre : Prise en Compte des Erreurs d'Observation
Résumé
Le contexte considéré est celui de l'Accès Opportuniste au Spectre. On suppose qu'il existe un utilisateur dit ''secondaire'' intéressé par une bande de fréquence dédiée à un réseau d'utilisateurs prioritaires dits ''primaires''. Les capacités d'écoute et d'exploitation du spectre de l'utilisateur secondaire sont supposées limitées à une sous-bande de la bande de fréquences sondée. Dans une précédente étude, les auteurs avaient suggéré une classe d'algorithme d'apprentissage par renforcement, connue sous le nom d'Upper Confidence Bound Algorithms, pour répondre à cette problématique. Le mécanisme d'apprentissage repose essentiellement sur l'observation de l'activité des utilisateurs primaires dans les bandes spectrales sollicitées par l'utilisateur secondaire. L'objectif de ce papier est d'évaluer l'impact des erreurs d'observations de la présence ou absence des utilisateurs primaires sur les performances d'apprentissage de l'utilisateur secondaire. Ces travaux montrent que la convergence vers le canal dit ''optimal'', i.e., le plus libre en probabilité, reste rapide malgré les erreurs d'observation liées à la détection des utilisateurs primaires. Ce résultat est mis en avant à travers un théorème qui montre que le temps passé par l'algorithme à observer un canal sous-optimal est borné par une fonction logarithmique du temps. Ainsi, les pertes de performances dues aux erreurs d'observations sont quantifiées en fonction des caractéristiques du capteur (probabilité de fausses alarmes notamment). Ces résultats sont illustrés à l'aide de simulations.