(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2024-07-12
(45)【発行日】2024-07-23
(54)【発明の名称】通信制御装置、通信端末、および通信制御方法
(51)【国際特許分類】
H04W 72/0446 20230101AFI20240716BHJP
H04W 24/02 20090101ALI20240716BHJP
H04W 24/08 20090101ALI20240716BHJP
【ＦＩ】
H04W72/0446
H04W24/02
H04W24/08
【請求項の数】
7
(21)【出願番号】P 2024086769
(22)【出願日】2024-05-29
【審査請求日】2024-05-29
【早期審査対象出願】
(73)【特許権者】
【識別番号】397036309
【氏名又は名称】株式会社インターネットイニシアティブ
(74)【代理人】
【識別番号】100118902
【弁理士】
【氏名又は名称】山本 修
(74)【代理人】
【識別番号】100106208
【弁理士】
【氏名又は名称】宮前 徹
(74)【代理人】
【識別番号】100196508
【弁理士】
【氏名又は名称】松尾 淳一
(74)【代理人】
【識別番号】100195408
【弁理士】
【氏名又は名称】武藤 陽子
(72)【発明者】
【氏名】柿島 純
【審査官】鈴木 重幸
(56)【参考文献】
【文献】特表２０２３－５２４１５６（ＪＰ，Ａ）
【文献】欧州特許出願公開第４３４６２６２（ＥＰ，Ａ１）
【文献】特開２０２０－０７１８４５（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｈ０４Ｂ ７／２４－ ７／２６
Ｈ０４Ｗ ４／００－９９／００
Ｇ０６Ｎ２０／００－２０／２０
(57)【特許請求の範囲】
【請求項1】
無線リソースを分割したリソースブロックごとの利用状況を各クラスタの観測値とした混合確率モデルについて、前記観測値の集合である観測データの分布を設定するように構成された第１設定部と、設定された前記観測データの分布となるように前記混合確率モデルのパラメータを設定するように構成された第２設定部と、
設定された前記パラメータを有する前記混合確率モデルを、前記リソースブロックの利用状況に関する真の利用情報として、前記真の利用情報に類似する疑似利用情報を生成する生成器と、前記生成器によって生成された前記疑似利用情報と前記真の利用情報とを識別する識別器とを有する生成モデルの敵対的学習を行うように構成された学習部と、
前記学習部によって構築された学習済み生成器を通信制御情報として通信端末に通知するように構成された通知部と
を備える通信制御装置。
【請求項2】
請求項１に記載の通信制御装置において、前記混合確率モデルは、混合ベルヌーイ分布に従うモデルであり、
前記混合確率モデルのパラメータは、前記各クラスタが前記観測値を発生する確率を表す混合比率、および前記各クラスタで前記リソースブロックが利用される確率の平均を表す平均確率を含む
ことを特徴とする通信制御装置。
【請求項3】
請求項１に記載の通信制御装置において、前記第１設定部は、クラスタごとに前記観測値が発生する確率を設定する
ことを特徴とする通信制御装置。
【請求項4】
請求項１に記載の通信制御装置において、前記リソースブロックは、時間領域の前記無線リソースを複数に分割したタイムスロットであり、
前記観測値は、前記タイムスロットごとの前記通信端末による信号の発信の有無を二値データで表した値である
ことを特徴とする通信制御装置。
【請求項5】
請求項１から４のいずれか１項に記載の通信制御装置から通知された前記通信制御情報に基づいて、前記学習済み生成器を用いて前記疑似利用情報を生成するように構成された生成部と、前記生成部によって生成された前記疑似利用情報に基づいて、使用するリソースブロックを特定するように構成された特定部と、
特定された前記リソースブロックを用いて信号を発信する指示を行う通信制御部と
を備える通信端末。
【請求項6】
無線リソースを分割したリソースブロックごとの利用状況を各クラスタの観測値とした混合確率モデルについて、前記観測値の集合である観測データの分布を設定する第１設定ステップと、設定された前記観測データの分布となるように前記混合確率モデルのパラメータを設定する第２設定ステップと、
設定された前記パラメータを有する前記混合確率モデルを、前記リソースブロックの利用状況に関する真の利用情報として、前記真の利用情報に類似する疑似利用情報を生成する生成器と、前記生成器によって生成された前記疑似利用情報と前記真の利用情報とを識別する識別器とを有する生成モデルの敵対的学習を行う学習ステップと、
前記学習ステップで構築された学習済み生成器を通信制御情報として通信端末に通知する通知ステップと
を備える通信制御方法。
【請求項7】
請求項６に記載の通信制御方法において、前記第１設定ステップは、クラスタごとに前記観測値が発生する確率を設定する
ことを特徴とする通信制御方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、通信制御装置、通信端末、および通信制御方法に関する。
【背景技術】
【0002】
近年、スマートフォンやタブレット端末に加え、家電、電力や水道、ガスのスマートメータ等のＩｏＴ端末が普及している。ＩｏＴ端末の数が膨大となる一方で、ＩｏＴ端末の通信におけるトラヒックの制御が課題となっている。例えば、複数のＩｏＴ端末の電源立ち上げの際には、トラヒックが集中することでバーストトラヒックの発生の一因にもなっている。
【0003】
そこで、特許文献１は、時刻同期サーバからの各ＩｏＴ端末への配信時刻をコントロールすることにより、周期的にトラヒックを発生するＩｏＴ端末の通信におけるトラヒックの平滑化や輻輳の低減を行う技術を開示している。しかし、特許文献１が開示する通信制御システムでは、周期的に発生しないトラヒックの場合の制御を同様に行うことは困難である。このように、特許文献１が開示する通信制御システムでは、周期的に発生するトラヒックか否かにかわらず、ネットワーク管理者が意図する平準化された状態のトラヒックなどを実現するために、無線リソースの利用状況を制御することは困難であった。
【先行技術文献】
【特許文献】
【0004】
【文献】特許第７４７２９６８号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
従来の技術によれば、意図した通信トラヒックの状態となるように、ＩｏＴ端末に対して無線リソースの利用に関する通信制御を行うことが困難であった。
【0006】
本発明は、上述した課題を解決するためになされたものであり、意図した通信トラヒックの状態となるように、ＩｏＴ端末に対して無線リソースの利用に関する通信制御を行うことを目的とする。
【課題を解決するための手段】
【0007】
上述した課題を解決するために、本発明に係る通信制御装置は、無線リソースを分割したリソースブロックごとの利用状況を各クラスタの観測値とした混合確率モデルについて、前記観測値の集合である観測データの分布を設定するように構成された第１設定部と、設定された前記観測データの分布となるように前記混合確率モデルのパラメータを設定するように構成された第２設定部と、設定された前記パラメータを有する前記混合確率モデルを、前記リソースブロックの利用状況に関する真の利用情報として、前記真の利用情報に類似する疑似利用情報を生成する生成器と、前記生成器によって生成された前記疑似利用情報と前記真の利用情報とを識別する識別器とを有する生成モデルの敵対的学習を行うように構成された学習部と、前記学習部によって構築された学習済み生成器を通信制御情報として通信端末に通知するように構成された通知部とを備える。
【0008】
また、本発明に係る通信制御装置において、前記混合確率モデルは、混合ベルヌーイ分布に従うモデルであり、前記混合確率モデルのパラメータは、前記各クラスタが前記観測値を発生する確率を表す混合比率、および前記各クラスタで前記リソースブロックが利用される確率の平均を表す平均確率を含んでいてもよい。
【0009】
また、本発明に係る通信制御装置において、前記第１設定部は、クラスタごとに前記観測値が発生する確率を設定してもよい。
【0010】
また、本発明に係る通信制御装置において、前記リソースブロックは、時間領域の前記無線リソースを複数に分割したタイムスロットであり、前記観測値は、前記タイムスロットごとの前記通信端末による信号の発信の有無を二値データで表した値であってもよい。
【0011】
上述した課題を解決するために、本発明に係る通信端末は、上記の通信制御装置から通知された前記通信制御情報に基づいて、前記学習済み生成器を用いて前記疑似利用情報を生成するように構成された生成部と、前記生成部によって生成された前記疑似利用情報に基づいて、使用するリソースブロックを特定するように構成された特定部と、特定された前記リソースブロックを用いて信号を発信する指示を行う通信制御部とを備える。
【0012】
上述した課題を解決するために、本発明に係る通信制御方法は、無線リソースを分割したリソースブロックごとの利用状況を各クラスタの観測値とした混合確率モデルについて、前記観測値の集合である観測データの分布を設定する第１設定ステップと、設定された前記観測データの分布となるように前記混合確率モデルのパラメータを設定する第２設定ステップと、設定された前記パラメータを有する前記混合確率モデルを、前記リソースブロックの利用状況に関する真の利用情報として、前記真の利用情報に類似する疑似利用情報を生成する生成器と、前記生成器によって生成された前記疑似利用情報と前記真の利用情報とを識別する識別器とを有する生成モデルの敵対的学習を行う学習ステップと、前記学習ステップで構築された学習済み生成器を通信制御情報として通信端末に通知する通知ステップとを備える。
【0013】
また、本発明に係る通信制御方法において、前記第１設定ステップは、クラスタごとに前記観測値が発生する確率を設定してもよい。
【発明の効果】
【0014】
本発明によれば、設定されたパラメータを有する混合確率モデルを、リソースブロックの利用状況に関する真の利用情報として、真の利用情報に類似する疑似利用情報を生成する生成器と、生成器によって生成された疑似利用情報と前の割当て情報とを識別する識別器とを有する生成モデルの敵対的学習を行う。そのため、意図した通信トラヒックの状態となるように、ＩｏＴ端末に対して無線リソースの利用に関する通信制御を行うことができる。
【図面の簡単な説明】
【0015】
【発明を実施するための形態】
【0016】
【0017】
［通信制御システムの構成］
まず、図１を参照して、本発明の実施の形態に係る通信制御装置１および通信端末２を備える通信制御システムの概要について説明する。
まず、図１を参照して、本発明の実施の形態に係る通信制御装置１および通信端末２を備える通信制御システムの概要について説明する。
【0018】
通信制御システムは、ＬＴＥ／４Ｇ、５Ｇ、６Ｇなどのモバイル通信ネットワークに設けられる。通信制御装置１と通信端末２とは、ＷＡＮやインターネットなどのネットワークＮＷを介して接続されている。通信制御装置１は、通信制御情報を、ネットワークＮＷを介して通信端末２に通知する。また、通信端末２は、通知された通信制御情報に基づいて、使用できるタイムスロットを特定し、特定されたタイムスロットを使用して信号を発信する。
【0019】
通信端末２は、スマートフォンなどの携帯通信端末、タブレット型コンピュータ、ラップトップ型コンピュータ、センサ機器など、固有のＩＰアドレスを有するＩｏＴ端末で実現される。本実施の形態では、通信端末２は複数存在する。例えば、通信端末２がＫ台（Ｋは２以上の整数。）のスマートフォンである場合、電源立ち上げの際や一定周期で、さらには、通信端末２の移動にともない位置登録要求信号を図示されないコアネットワークに発信する。Ｋ台の通信端末２が一定期間に同時に信号を発信すると、トラヒックが増加し、ネットワークは新たなパケットを処理することができず、遅延やトラヒックの輻輳などが生ずる場合がある。なお、通信端末２の構成の詳細は後述する。
【0020】
本実施の形態に係る通信制御システムでは、無線リソースの利用状況を混合ベルヌーイ分布によりモデル化した混合確率モデルを採用する。通信制御システムは、トラヒックの平準化など意図した通信トラヒックの状態を反映するようにパラメータが設定された混合確率モデルを敵対的学習の真のデータとして、真のデータに類似する疑似データを生成する生成器１２１を学習する。また、通信制御システムは、学習済み生成器１２１’を、各タイムスロット（リソースブロック）の利用の可否を示す通信制御情報として、通信端末２に通知する。そして、各通信端末２は利用が可能なタイムスロットを使用して信号を発信する。
【0021】
［通信制御装置の機能ブロック］
次に、本実施の形態に係る通信制御装置１の機能ブロックについて、図１のブロック図を参照して説明する。図１に示すように、通信制御装置１は、第１設定部１０、第２設定部１１、学習部１２、第１記憶部１３、および通知部１４を備える。
次に、本実施の形態に係る通信制御装置１の機能ブロックについて、図１のブロック図を参照して説明する。図１に示すように、通信制御装置１は、第１設定部１０、第２設定部１１、学習部１２、第１記憶部１３、および通知部１４を備える。
【0022】
第１設定部１０は、無線リソースを分割したタイムスロットごとの利用状況を各クラスタの観測値とした混合確率モデルについて、観測値の集合である観測データの分布を設定する。本実施の形態では、混合確率モデルとして混合ベルヌーイ分布に従うモデルを採用する。観測値は、タイムスロットごとの通信端末２による信号の発信の有無を二値データで表した値である。
【0023】
本実施の形態において採用される混合ベルヌーイ分布は、０と１とを要素とする長さＤのベクトルが作るＮ個の観測データがあるとき、その集合をクラスタリングするモデルである。本実施の形態では、無線リソースの利用状況を複数のクラスタとして考え、複数のタイムスロット各々での信号の発信の有無を０と１で表した観測値の集合を観測データとする。また、観測値は、二値分布を有する複数の異なるクラスタから発生する。
【0024】
ここで、Ｎ個の二値ベクトルである観測値ｘ１，ｘ２，…，ｘＮの集合の観測データＸが、Ｋ個のクラスタのパラメータμ１，μ２，…，μＫの集合すなわちパラメータデータセットＭをもつ混合ベルヌーイ分布に従うものとする。すなわち、観測データＸが複数のクラスタから生成されると仮定し、各クラスタには、信号の発信が有る確率の平均（平均確率）を表すパラメータμが対応付けられている。
【0025】
観測データＸとパラメータデータセットＭとは、それぞれ次式（１）、（２）のように表される（Ｔは転置記号である。）。
【数1】
【0026】
ｎ番目の二値ベクトルの観測値ｘｎとｋ番目のパラメータベクトルμｋの各々は、さらに、以下の式（３）、（４）に示すようにそれぞれがＤ個の要素をもつベクトルとして表される。
【数2】
【0027】
観測値ｘｎの要素ｘｎ（ｉ）（ｉ＝１,２,…,Ｄ）の各々は、前述したように０または１の値をとる二値変数である。本実施の形態では、要素ｘｎ（ｉ）を以下のように定義する。
【数3】
【0028】
信号を発信する確率、および信号を発信しない確率は、それぞれ次式（６）、（７）で表される。
【数4】
【0029】
上式（６）、（７）から、観測データＸの観測値ｘｎにクラスタｋが割り当てられたときに、観測値ｘｎは、クラスタｋのパラメータμｋをもつ、次式（８）のベルヌーイ分布に従う。
【数5】
【0030】
ここで、各クラスタ（Ｋ個）の発生頻度のパラメータデータセットπを以下のように定義する。パラメータπは、観測値ｘｎがどの程度各クラスタに配分されるのかを示すパラメータである。したがって、パラメータπｋは、観測データＸの観測値ｘｎがクラスタｋで発生する混合比率である。
【数6】
【0031】
また、観測値ｘｎにクラスタｋが割り当てられたときに、観測値ｘｎは、μｋをパラメータとするＤ個のベルヌーイ分布に従う。さらに、各観測値ｘｎは、次式（１０）の混合ベルヌーイ分布によって独立に生成されるものとする。
【数7】
【0032】
上式（１０）の混合ベルヌーイ分布の定義式により、各クラスタにおけるベルヌーイ分布の確率を示すパラメータμｋと、そのクラスタの混合比率πｋとを組み合わせて、全てのクラスタから、観測値ｘｎが発生する確率を求めることができる。上式（１０）は、本実施の形態における混合確率モデルであり、無線リソースの１～Ｄ個のタイムスロットの利用状況を表している。
【0033】
第１設定部１０は、各クラスタの１～Ｄ個の観測値ｘｎのうち、信号の発信有り「１」をとる要素の個数や頻度などを、所望とされる１～Ｄ個のタイムスロットの利用パターンに応じて設定することができる。また、第１設定部１０は、複数のクラスタ１～Ｋの全体での、信号の発信有り「１」をとる観測値ｘｎの発生確率を設定することができる。したがって、第１設定部１０は、複数の異なるクラスタごとに、所望とされる無線リソースの利用状況を反映した観測データＸの分布を設定することができる。クラスタごとに観測値ｘｎの発生確率を設定することで、通信端末２ごとの１～Ｄ個のタイムスロットでの信号の発信の可否を設定することが可能となる。
【0034】
図２は、第１設定部１０による観測データＸの分布の設定を説明するための図である。図２に示すクラスタ１～Ｋは、利用可能な無線リソースの全体を表す。各クラスタを構成する「１～Ｄ」は、１～Ｄ個のタイムスロットを利用した信号の発信の有無を示す観測値ｘｎである。図２に示すように、各クラスタの１～Ｄの各データは、信号の発信を許可するタイムスロット（図中の黒丸点の「発信」）と、許可しないタイムスロット（図中の黒丸点以外のデータ）とが設定されている。
【0035】
図２の例では、複数のクラスタ１～Ｋの各々で、１～Ｄ個のタイムスロットのうち、１つのタイムスロットを各通信端末２に割り当てる。各クラスタの１～Ｄ個のタイムスロットの時間は互いに対応しており、複数のクラスタ１～Ｋ間で各通信端末２が信号を発信する際に使用するタイムスロットの時間が重ならないように設定されている。このように、第１設定部１０は、１～Ｄ個の各タイムスロットで均等な確率で信号を発信するクラスタを設定することができる。第１設定部１０は、通信トラヒックが平準化されるような観測データＸの具体的な値を設定する場合の他、通信ネットワークの具体的な設計などに応じて、タイムスロットの特定の利用状況のパターンが反映された観測データＸの値を設定することができる。
【0036】
図１に戻り、第２設定部１１は、第１設定部１０によって設定された観測データＸの分布となるように混合確率モデルのパラメータを設定する。より具体的には、第２設定部１１は、上式（１０）の混合確率モデルに、第１設定部１０により設定された観測データＸの値を与えた際の、パラメータμｋ、πｋの値を求める。前述した図２の例を用いると、第１設定部１０によって１～Ｄ個の各タイムスロットに均等な確率で信号を発信するクラスタが設定された場合、第２設定部１１は、均等な値のパラメータμｋ、πｋを設定することができる。このようにして、各クラスタから観測値ｘｎが発生する確率を均等にすることができる。各クラスタから観測値ｘｎが発生する確率を事前に設定した混合確率モデルは、以下の学習部１２による敵対的学習の際の真のデータとして用いられる。
【0037】
学習部１２は、第２設定部１１により設定されたパラメータμｋ、πｋを有する混合確率モデルを、通信端末２に割り当てるタイムスロットを示す真の利用情報として、真の利用情報に類似する疑似利用情報を生成する生成器１２１と、生成器１２１によって生成された疑似利用情報と真の利用情報とを識別する識別器１２２とを有する生成モデルの敵対的学習を行う。真の利用情報は、所望とされる通信トラヒックの状態となるような無線リソースの利用状況が反映された情報である。学習部１２は、混合確率モデルの１～Ｋ個のクラスタの各々について、学習済み生成器１２１’を構築することができる。
【0038】
学習部１２は、図３に示すように、生成器１２１および識別器１２２を有するＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）を敵対的に学習させる。本実施の形態では、生成器１２１と識別器１２２とのペアをクラスタの数だけ（Ｋ個）設けることができる。あるいは、図３に示すように、Ｋ個の生成器１２１＿１，・・・，１２１＿Ｋに対して１つの識別器１２２を設けることができる。学習部１２の学習により、Ｋ個の学習済み生成器１２１’（学習済み生成器１２１’＿１，・・・，１２１’＿Ｋ）が構築される。
【0039】
図４および図５は、学習部１２が用いるＧＡＮの生成器１２１および識別器１２２のニューラルネットワーク構成を模式的に表した図である。図４に示すように、生成器１２１は、入力層、隠れ層、および出力層を有するニューラルネットワークで構成される。なお、Ｋ個の生成器１２１＿１，・・・，１２１＿Ｋはそれぞれ同じネットワーク構造を有し、以下では生成器１２１と総称して説明する。生成器１２１は、ランダムな雑音から疑似利用情報を生成するモデルである。生成器１２１の入力ノードには、例えば、ガウス雑音のベクトルがランダムにｍ個サンプルされて入力される（ｚ１～ｚｍ）。
【0040】
生成器１２１は、入力と重みパラメータの積和演算および活性化関数によるしきい値処理を経て出力Ｇ（ｚ）を出力する。生成器１２１からの出力Ｇ（ｚ）は、第２設定部１１が設定したパラメータμｋ、πｋを有する混合確率モデルにより得られる観測データＸに類似するデータである。より具体的には、生成器１２１は、設定されたパラメータμｋ、πｋを有する混合確率モデルにより得られる各クラスタの１～Ｄ個の観測値ｘｎに類似するデータを生成する。図４の各出力Ｇ（ｚ１）～Ｇ（ｚＤ）は、１つのクラスタの１～Ｄ個の観測値ｘｎの各々に対応する。生成器１２１を構成するニューラルネットワークとしてＣＮＮやＲｅｓＮｅｔを用いることができる。
【0041】
図５に示す識別器１２２は、入力層、隠れ層、および出力層を有するニューラルネットワークで構成される。図５の例では、訓練データの入力として、第２設定部１１により設定されたパラメータμｋ、πｋを有する混合確率モデルによって得られる、各クラスタの１～Ｄ個の観測値ｘｎが与えられる。
【0042】
識別器１２２は、入力と重みパラメータの積和演算および活性化関数によるしきい値処理を経て、１または０の二値出力を出す。識別器１２２は、入力された真の利用情報に係る訓練データを正しく真の利用情報であると識別すると出力ｙ＝１を出力する。一方、入力された疑似利用情報に係る訓練データを正しく疑似利用情報であると識別すると出力ｙ＝０を出力する。このように、識別器１２２は、生成器１２１が生成したモデル分布を真の分布である訓練データのデータ分布から区別するモデルである。識別器１２２を構成するニューラルネットワークとしてＣＮＮを用いることができる。
【0043】
図３は、学習部１２によるＧＡＮの敵対的学習を説明するためのブロック図である。学習部１２が採用するＧＡＮの生成器１２１を関数Ｇ、識別器１２２を関数Ｄと表す。また、真の利用情報をｘ、識別器１２２による出力である予測値はｙと表し、正解ラベルをtと表す。正解ラベルｔは、真の利用情報に対して１、生成器１２１で生成された疑似利用情報に対して０と設定される。このとき、識別器１２２は、二値分類問題として次式（１）の交差エントロピーＥＣＥで表すことができる。
【0044】
【数8】
【0045】
上式（１１）のブレース内の第１項が表すｔｎｌｎｙｎにおいて、識別器１２２の予測値ｙｎが、真の利用情報の正解ラベルｔｎ＝１の値に近づくことが望ましい。一方、ブレース内の第２項が表す（１－ｔｎ）ｌｎ（１－ｙｎ）においては、識別器１２２の予測値ｙｎが、疑似利用情報と識別する正解ラベルの値（１－ｔｎ）＝０に近づくことが望ましい。このように交差エントロピーＥＣＥは、予測値が正解ラベルの値に一致している場合に最大値となる。
【0046】
ここで、ＧＡＮを構成する生成器１２１は、パラメータｗＧ，θＧを有し、関数Ｇ（ｗＧ，θＧ）と表す。また、識別器１２２は、パラメータｗＤ，θＤを有し、関数Ｄ（ｗＤ，θＤ）と表す。上式（１１）の交差エントロピーＥＣＥに基づいた生成器１２１と識別器１２２とを備えるＧＡＮの目的関数Ｅは、次式（１２）で表すことができる。
【数9】
【0047】
上式（１２）の第１項が表すＥＤ（ｘ）＝１ｌｎＤ（ｗＤ，θＤ）は、識別器１２２が真の利用情報を真の利用情報であると識別する期待値である。上式（１２）の第２項が表すＥＤ（ｘ）＝０ｌｎ（１－Ｄ（Ｇ（ｗＧ，θＧ），ｗＤ，θＤ））は、生成器１２１により生成された疑似利用情報を識別器１２２が疑似利用情報であると識別する期待値である。ＧＡＮの学習では、目的関数Ｅのｍｉｎ－ｍａｘ最適化により、生成器１２１と識別器１２２とを敵対的に学習する。したがって、識別器１２２をだますような疑似利用情報を生成できるように生成器１２１を学習し、生成器１２１が生成した疑似利用情報を疑似利用情報であると識別するように識別器１２２を学習する。
【0048】
識別器１２２の学習では、真の利用情報が与えられた場合に、識別器１２２がｙ＝１に近い出力を出すことで、上式（１２）の目的関数Ｅの第１項を最大化する。一方、疑似利用情報が与えられた場合に、識別器１２２がｙ＝０に近い出力を出すことで目的関数Ｅの第２項を最大化するように学習が行われる。
【0049】
生成器１２１の学習では、上式（１２）のＤ（Ｇ（ｗＧ，θＧ），ｗＤ，θＤ）（図３のＤ（Ｇ（ｚ）））が１に近くなるようなＧ（ｗＧ，θＧ）（図３のＧ（ｚ））を出力することで、目的関数Ｅを最小化する。学習部１２は、生成器１２１のパラメータと識別器１２２のパラメータとを交互に更新する学習手順を用いる。なお、学習部１２による生成器１２１および識別器１２２の学習手順の詳細は後述する。
【0050】
第１記憶部１３は、学習部１２によってＧＡＮの目的関数Ｅが最適化された学習済み生成器１２１’を記憶する。より詳細には、第１記憶部１３は、クラスタ１～Ｋに対応するＫ個の学習済み生成器１２１’（学習済み生成器１２１’＿１，・・・，１２１’＿Ｋ）を記憶する。また、第１記憶部１３は、パラメータμｋ、πｋが設定された上式（１０）の混合確率モデルを記憶する。
【0051】
通知部１４は、学習部１２によって構築された学習済み生成器１２１’を通信制御情報として、通信端末２に通知する。より詳細には、通知部１４は、ネットワークＮＷを介して、例えば、Ｋ台の通信端末２の各々に、１～Ｋ個の学習済み生成器１２１’＿１，・・・，１２１’＿Ｋのうちの任意の１つの学習済み生成器１２１’を通信制御情報として通知することができる。
【0052】
［通信端末の機能ブロック］
次に、通信端末２の機能ブロックについて説明する。図１に示すように、通信端末２は、取得部２０、第２記憶部２１、生成部２２、特定部２３、および通信制御部２４を備える。
次に、通信端末２の機能ブロックについて説明する。図１に示すように、通信端末２は、取得部２０、第２記憶部２１、生成部２２、特定部２３、および通信制御部２４を備える。
【0053】
取得部２０は、通信制御装置１から通知された通信制御情報を取得する。具体的には、取得部２０は、第２記憶部２１に記憶されている通信制御情報の学習済み生成器１２１’を取得することができる。
【0054】
第２記憶部２１は、通信制御装置１から通知された通信制御情報を記憶する。具体的には、第２記憶部２１は、学習済み生成器１２１’を記憶する。学習済み生成器１２１’は、通信制御装置１の学習部１２による学習によって構築されたＫ個の学習済み生成器１２１’＿１，・・・，１２１’＿Ｋのうちの１つである。
【0055】
生成部２２は、通信制御装置１から通知された通信制御情報に基づいて、学習済み生成器１２１’を用いて疑似利用情報を生成する。生成部２２によって生成される疑似利用情報は、上式（３）の観測値ｘｎのデータセットにあるように、１～Ｄ個のタイムスロット各々に、信号を発信する「１」および信号を発信しない「０」のそれぞれの値が割り当てられた情報である。例えば、図２の「クラスタ１」の例では、疑似利用情報は、第１スロットで信号の発信を許可し、第２から第Ｄスロットでの信号の発信は許可されない（ｘｎ＝［ｘｎ（１），ｘｎ（２），ｘｎ（３），・・・，ｘｎ（Ｄ）］＝［１，０，０，・・・，０］）ことを示す。
【0056】
特定部２３は、生成部２２によって生成された疑似利用情報に基づいて、通信端末２が使用するタイムスロットを特定する。具体的には、特定部２３は、１～Ｄ個のタイムスロットのうち、疑似利用情報の要素ｘｎ（ｉ）のうち、値が「１」を取るタイムスロットを特定する。特定部２３によって特定されたタイムスロットは、通信端末２が信号を発信する際に利用することが許可されるタイムスロットである。
【0057】
通信制御部２４は、特定されたタイムスロットを用いて信号を発信する指示を行う。具体的には、通信制御部２４は、図示されない基地局とのタイミングの同期、信号の生成、および信号の発信を自装置のプロセッサ２０２に指示することができる。通信制御部２４の通信制御指示により、通信端末２は利用が許可されたタイムスロットを用いて信号を発信する。
【0058】
［通信制御装置のハードウェア構成］
次に、上述した機能を有する通信制御装置１を実現するハードウェア構成の一例について、図６を用いて説明する。
次に、上述した機能を有する通信制御装置１を実現するハードウェア構成の一例について、図６を用いて説明する。
【0059】
図６に示すように、通信制御装置１は、例えば、バス１０１を介して接続されるプロセッサ１０２、主記憶装置１０３、通信インターフェース１０４、補助記憶装置１０５、入出力Ｉ／Ｏ１０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。さらに、通信制御装置１は、表示装置１０７を備える。
【0060】
プロセッサ１０２は、ＣＰＵ、ＧＰＵ、ＦＰＧＡ、ＡＳＩＣなどによって実現される。
【0061】
主記憶装置１０３には、プロセッサ１０２が各種制御や演算を行うためのプログラムが予め格納されている。プロセッサ１０２と主記憶装置１０３とによって、図１に示した第１設定部１０、第２設定部１１、学習部１２、および通知部１４など通信制御装置１の各機能が実現される。
【0062】
通信インターフェース１０４は、通信制御装置１と各種外部電子機器との間をネットワーク接続するためのインターフェース回路である。
【0063】
補助記憶装置１０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置１０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。
【0064】
補助記憶装置１０５は、通信制御情報を生成し通信端末２に通知する通信制御プログラムを格納するプログラム格納領域を有する。また、補助記憶装置１０５は、通信制御装置１が実行するＧＡＮの敵対的学習を行うための学習プログラムを格納するプログラム格納領域を有する。また、補助記憶装置１０５は、混合ベルヌーイ分布に係る混合確率モデルの演算を行う混合確率モデル演算プログラムを格納するプログラム格納領域を有する。補助記憶装置１０５によって、図１で説明した第１記憶部１３が実現される。さらには、例えば、上述したデータやプログラムなどをバックアップするためのバックアップ領域などを有していてもよい。
【0065】
入出力Ｉ／Ｏ１０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりする入出力装置である。
【0066】
表示装置１０７は、有機ＥＬディスプレイや液晶ディスプレイなどによって構成される。表示装置１０７は、真の利用情報を画面表示させることができる。
【0067】
［通信端末のハードウェア構成］
次に、上述した機能を有する通信端末２を実現するハードウェア構成の一例について、図７を用いて説明する。
次に、上述した機能を有する通信端末２を実現するハードウェア構成の一例について、図７を用いて説明する。
【0068】
図７に示すように、通信端末２は、通信制御装置１と同様に、バス２０１を介して接続されるプロセッサ２０２、主記憶装置２０３、通信インターフェース２０４、補助記憶装置２０５、入出力Ｉ／Ｏ２０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。さらに、通信端末２は、表示装置２０７を備える。
【0069】
主記憶装置２０３には、プロセッサ２０２が各種制御や演算を行うためのプログラムが予め格納されている。ＣＰＵ、ＧＰＵ、ＦＰＧＡ、ＡＳＩＣなどによって実現されるプロセッサ２０２と主記憶装置２０３とによって、図１に示した取得部２０、生成部２２、特定部２３、および通信制御部２４など通信端末２の各機能が実現される。また、主記憶装置２０３は、ＩＰアドレスを保存する。
【0070】
通信インターフェース２０４は、通信端末２と各種外部電子機器との間をネットワーク接続するためのインターフェース回路である。
【0071】
補助記憶装置２０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置２０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。
【0072】
補助記憶装置２０５は、通信制御情報に基づいて、学習済み生成器１２１’の演算を行う生成プログラムを格納するプログラム格納領域を有する。また、補助記憶装置１０５は、特定されたタイムスロットで信号を発信するための通信制御プログラムを格納するプログラム格納領域を有する。補助記憶装置２０５によって、図１で説明した第２記憶部２１が実現される。さらには、例えば、上述したデータやプログラムなどをバックアップするためのバックアップ領域などを有していてもよい。
【0073】
入出力Ｉ／Ｏ２０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりする入出力装置である。
【0074】
表示装置２０７は、有機ＥＬディスプレイや液晶ディスプレイなどによって構成される。
【0075】
ＳＩＭ２０８は、ＩＣチップ、セキュリティモジュール等で構成され、通信端末２のユーザの加入者識別番号（ＩＭＳＩ：Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｓｕｂｓｃｒｉｂｅｒ Ｉｄｅｎｔｉｔｙ）、加入者であるユーザの電話番号（ＭＳＩＳＤＮ：Ｍｏｂｉｌｅ Ｓｕｂｓｃｒｉｂｅｒ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｄｉｒｅｃｔｏｒｙ Ｎｕｍｂｅｒ）、ＳＩＭカード番号（ＩＣＣＩＤ：Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ Ｃａｒｄ Ｉｄｅｎｔｉｆｉｅｒ）などの識別子情報が含まれる。通信端末２は、ＳＩＭ２０８のＩＭＳＩによって一意に識別されることができる。
【0076】
［通信制御システムの動作シーケンス］
次に、上述した構成を有する通信制御装置１および通信端末２を備える通信制御システムの動作を、図８のシーケンスを参照して説明する。
次に、上述した構成を有する通信制御装置１および通信端末２を備える通信制御システムの動作を、図８のシーケンスを参照して説明する。
【0077】
図８に示すように、まず、通信制御装置１の第１設定部１０は、混合確率モデルにおいて所望とされる観測データＸの分布を設定する（ステップＳ１）。具体的には、第１設定部１０は、通信トラヒックが平準化された状態など、意図した無線リソースの利用状況が反映されるように、クラスタごとに１～Ｄ個のタイムスロットのうち、信号の発信を許可するタイムスロットの数および頻度などを指定した観測データＸの観測値ｘｎ（ｘｎ＝［ｘｎ（１），ｘｎ（２），ｘｎ（３），・・・，ｘｎ（Ｄ）］）を設定する。このように、ステップＳ１において、各クラスタから観測値ｘｎが発生する確率を均等とする、あるいは特定の偏りを有するように観測データＸの値を設定することができる。
【0078】
次に、第２設定部１１は、ステップＳ１で設定された観測データＸの分布となるように混合確率モデルのパラメータμｋ、πｋを設定する（ステップＳ２）。具体的には、第２設定部１１は、上式（１０）の混合確率モデルに、クラスタごとに観測値ｘｎの発生確率が設定された観測データＸを与えた際の、パラメータμｋ、πｋを調整および決定する。パラメータμｋ、πｋが設定された混合確率モデルは、第１記憶部１３に記憶される。
【0079】
続いて、学習部１２は、学習処理を行う（ステップＳ３）。具体的には、学習部１２は、ステップＳ２で設定されたパラメータμｋ、πｋを有する混合確率モデルを、タイムスロットの利用状況に関する真の利用情報として、真の利用情報に類似する疑似利用情報を生成する生成器１２１と、生成器１２１によって生成された疑似利用情報と真の利用情報とを識別する識別器１２２とを有するＧＡＮの敵対的学習を行う。学習処理によって、クラスタ１～Ｋにそれぞれ対応するＫ個の学習済み生成器１２１’＿１，・・・，１２１’＿Ｋが構築され、第１記憶部１３に記憶される。なお、ステップＳ３での学習処理の詳細は後述する。
【0080】
次に、通知部１４は、ステップＳ３で学習部１２によって構築された学習済み生成器１２１’を通信制御情報として、ネットワークＮＷを介して通信端末２に通知する（ステップＳ４）。通知部１４は、クラスタごとに構築されたＫ個の学習済み生成器１２１＿１，・・・，１２１’＿Ｋのうちの１つを任意に選択し、複数の通信端末２の各々に通知することができる。
【0081】
続いて、通信端末２は、通信制御装置１からの通信制御情報の通知があると、通信制御情報の学習済み生成器１２１’を第２記憶部２１に記憶する。その後、通信端末２の取得部２０は、第２記憶部２１から学習済み生成器１２１’を読出すことで取得する（ステップＳ５）。
【0082】
次に、生成部２２は、ステップＳ５で取得された学習済み生成器１２１’を用いて疑似利用情報を生成する（ステップＳ６）。その後、特定部２３は、ステップＳ６で生成された疑似利用情報に基づいて、通信端末２が信号を発信する際に使用することが許可されたタイムスロットを特定する（ステップＳ７）。次に、通信制御部２４は、ステップＳ７で特定されたタイムスロットを用いて、信号を発信する指示を行う（ステップＳ８）。
【0083】
ステップＳ８での指示に応じて、通信端末２のプロセッサ２０２は、特定されたタイムスロットを用いて信号を発信する（ステップＳ９）。なお、他の通信端末２についても、同様に、ステップＳ５からステップＳ９までの処理を実行し、それぞれで特定されたタイムスロットを使用して信号を発信する。このように、通信制御情報にしたがって特定されたタイムスロットを通信端末２に割り当てることで、複数の通信端末２が発信する信号による通信トラヒックを意図した状態とすることができる。
【0084】
例えば、図２に示すように、学習済み生成器１２１’＿１を用いてクラスタ１の疑似利用情報を生成した通信端末２は、第１タイムスロットを使用して信号を発信する。学習済み生成器１２１’＿２を用いてクラスタ２の疑似利用情報を生成した別の通信端末２は、第２タイムスロットを使用して信号を発信する。学習済み生成器１２１’＿Ｋを用いてクラスタＫの疑似利用情報を生成したＫ台目の通信端末２は、第Ｄタイムスロットを使用して信号を発信する。したがって、複数の通信端末２は、各タイムスロットに均等な確率で、かつ、クラスタ間で均等な確率で信号を発信することができる。またその結果として、通信トラヒックが平準化され、無線リソースの効率的な利用につながる。
【0085】
次に、図９を参照し、図８で説明した通信制御装置１の学習部１２による学習処理（ステップＳ３）を説明する。図９に示す学習処理の例では、学習部１２は、１～Ｋ個のクラスタごとの真の利用情報を繰り返し学習する。まず、学習部１２は、真の利用情報を訓練データ１２４として識別器１２２に入力し、真の利用情報を真の利用情報（ｙ＝１）と識別するように、識別器１２２のパラメータｗＤ，θＤを学習し、更新する（ステップＳ２０）。図３の学習部１２のブロック図に示すように、図８のステップＳ２で設定されたパラメータμｋ、πｋを有する混合確率モデルは、タイムスロットの利用状況に関する真の利用情報として、識別器１２２を学習する際に入力される訓練データ１２４として用いられる。ステップＳ２０では、まず、真の利用情報として、クラスタ１～クラスタＫのうち、クラスタ１の１～Ｄ個の観測値ｘｎを訓練データ１２４として用いる。
【0086】
ステップＳ２０において、学習部１２は、例えば、誤差逆伝搬法などを用いて識別器１２２に真の利用情報を学習させることができる。ステップＳ２０により、クラスタ１の真の利用情報を真の利用情報と識別することができる識別器１２２が事前に構築される。
【0087】
次に、学習部１２は、ガウス雑音を発生し、発生したガウス雑音のランダムなベクトルを生成器１２１に入力として与える（ステップＳ２１）。続いて、生成器１２１は、与えられたガウス雑音に基づいて、入力ｚと重みパラメータｗＧ，θＧの積和演算および活性化関数によるしきい値処理を行い、疑似利用情報Ｇ（ｚ）を生成する（ステップＳ２２）。ステップＳ２２では、図３に示すように、学習部１２は、Ｋ個の生成器１２１＿１，・・・，１２１＿Ｋの各々で生成された１～Ｋ個の出力を合成して（図３に示す点ａ）、１つの疑似利用情報Ｇ（ｚ）を生成する。
【0088】
次に、学習部１２は識別器１２２の学習を行う。識別器１２２の学習は、生成器１２１のパラメータｗＤ，θＤを固定して行われる。まず、学習部１２は、図８のステップＳ２で設定されたパラメータμｋ、πｋを有する混合確率モデルである、真の利用情報を訓練データ１２４として識別器１２２に入力として与える。そして、学習部１２は、上式（１２）の目的関数Ｅが最大となるように、誤差逆伝搬法などによりパラメータｗＤ，θＤを更新する（ステップＳ２３）。なお、訓練データ１２４のラベルは１（真の利用情報）が設定されている。ステップＳ２３では、まず、学習部１２は、Ｋ個のクラスタ１～クラスタＫのうちのクラスタ１の１～Ｄ個の観測値ｘｎを真の利用情報として用いて、識別器１２２を学習する。
【0089】
次に、学習部１２は、ステップＳ２２で生成器１２１によって生成された疑似利用情報を識別器１２２に入力として与え、上式（１２）の目的関数Ｅが最大となるように、誤差逆伝搬法などによりパラメータｗＤ，θＤを更新する（ステップＳ２４）。すなわち、ステップＳ２３およびステップＳ２４では、上式（１２）の目的関数Ｅを最大にするために、第１項はＤ（ｗＤ，θＤ）＝１が出力され、第２項はＤ（Ｇ（ｗＧ，θＧ），ｗＤ，θＤ）＝０となるように最適化が行われる。なお、訓練データ１２４には、ラベルは０（疑似利用情報）が設定されている。ステップＳ２４では、Ｋ個の生成器１２１＿１，・・・，１２１＿Ｋの各々で生成され、合成された１つの疑似利用情報Ｇ（ｚ）を用いて、識別器１２２を学習する。
【0090】
ステップＳ２３およびステップＳ２４での識別器１２２の学習は、図３に示す学習部１２のブロック図において、識別器１２２からの出力１２３に基づいて、目的関数Ｅのブロック１２５で識別器誤差が算出され、その後、識別器１２２へ誤差逆伝搬されることを示す破線の矢印に対応する。
【0091】
次に、学習部１２は生成器１２１の学習を行う。生成器１２１の学習では、識別器１２２のパラメータが固定されて行われる。学習部１２は、ランダムなガウス雑音を生成器１２１に与えた際に疑似利用情報が生成されるように生成器１２１を学習する。具体的には、学習部１２は、上式（１２）の目的関数Ｅを最小とするために、誤差逆伝搬法などによりパラメータｗＧ，θＧを更新する（ステップＳ２５）。
【0092】
ステップＳ２５での学習は、図３の学習部１２のブロック図において、生成器１２１へ誤差逆伝搬されることを示す破線の矢印のフローに対応する。すなわち、ステップＳ２５は、図３の生成器１２１で生成された疑似利用情報が識別器１２２に入力され、その出力１２３から目的関数Ｅのブロック１２５で生成器誤差が算出され、さらには、生成器１２１へ誤差逆伝搬される破線矢印のフローに対応する。
【0093】
その後、目的関数Ｅの値がナッシュ均衡に到達して収束するまで（ステップＳ２６：ＮＯ）、ステップＳ２２からステップＳ２５までの識別器１２２および生成器１２１（生成器１２１＿１～生成器１２１＿Ｋ）の学習が繰り返し行われる。一方、目的関数Ｅの値が収束した場合（ステップＳ２６：ＹＥＳ）、クラスタ１～クラスタＫまでのすべての真の利用情報のうち、クラスタ２～クラスタＫまでの残りの真の利用情報を順番に用いて、Ｋ個の生成器１２１＿１，・・・，１２１＿Ｋ、および識別器１２２の学習が行われるまで（ステップＳ２７：ＮＯ）、ステップＳ２０からステップＳ２６までの処理が繰り返される。
【0094】
その後、クラスタ２～クラスタＫまでの残りのＫ－１個のクラスタの真の利用情報を用いて生成器１２１（生成器１２１＿１，・・・，１２１＿Ｋ）および識別器１２２の学習が行われた場合（ステップＳ２７：ＹＥＳ）、学習部１２は、１～Ｋ個の学習済み生成器１２１’＿１，・・・，１２１’＿Ｋを第１記憶部１３に記憶する（ステップＳ２８）。以上のステップＳ２０からステップＳ２８までの処理によって学習済み生成器１２１’が構築される。さらにその後、処理は、図８のステップＳ４に移る。
【0095】
以上説明したように、本実施の形態に係る通信制御装置１によれば、無線リソースの利用状況を混合ベルヌーイ分布によりモデル化し、意図した通信トラヒックの状態を表す観測データＸの分布となるようにパラメータμｋ、πｋを設定した混合確率モデルをＧＡＮの敵対的学習での真のデータとして用いる。さらに、敵対的学習により構築された学習済み生成器１２１’を通信制御情報として通信端末２に通知するため、意図した通信トラヒックの状態となるように、ＩｏＴ端末に対して無線リソースの利用に関する通信制御を行うことができる。
【0096】
また、本実施の形態に係る通信制御装置１によれば、意図した通信トラヒックの状態が反映されたパラメータμｋ、πｋが設定された混合確率モデルを、ＧＡＮの敵対的学習での真のデータである真の利用情報として用い、真の利用情報に類似する疑似利用情報を生成する生成器１２１を学習する。そのため、ＧＡＮの敵対的学習を行うことにより、混合ベルヌーイ分布に従う混合確率モデルの潜在変数の学習を行うことができる。
【0097】
また、本実施の形態に係る通信制御装置１によれば、１つの無線リソースの１～Ｄ個のタイムスロットの利用状況を混合ベルヌーイ分布の各クラスタの観測値とするので、クラスタごとに無線リソースの利用パターンや頻度を指定することができる。そのため、無線リソースの利用パターンをより詳細に設定し、より効率的なリソース管理を実現することが可能となる。
【0098】
また、本実施の形態に係る通信制御装置１によれば、ＧＡＮの敵対的学習によって構築された学習済み生成器１２１’を通信制御情報として、ネットワークＮＷを介して通信端末２に通知する。そのため、通信トラヒックの制御を遠隔で行うことができる。
【0099】
なお、説明した実施の形態では、無線リソースのリソースブロックがタイムスロットである場合を例示して説明したが、リソースブロックは、周波数帯域における異なるチャネルや空間リソースであってもよい。
【0100】
また、説明した実施の形態では、通信制御装置１がネットワークＮＷを介して通信端末２に通信制御情報を通知する場合を例示した。しかし、通信制御装置１は、コアネットワークや基地局を介して通信制御情報を各通信端末２に通知する構成であってもよい。
【0101】
以上、本発明の通信制御装置、通信端末、および通信制御方法における実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。
【符号の説明】
【0102】
１…通信制御装置、２…通信端末、１０…第１設定部、１１…第２設定部、１２…学習部、１３…第１記憶部、１４…通知部、２０…取得部、２１…第２記憶部、２２…生成部、２３…特定部、２４…通信制御部、１０１、２０１…バス、１０２、２０２…プロセッサ、１０３、２０３…主記憶装置、１０４、２０４…通信インターフェース、１０５、２０５…補助記憶装置、１０６、２０６…入出力Ｉ／Ｏ、１０７、２０７…表示装置、１２１…生成器、１２２…識別器、１２３…出力、１２４…訓練データ、１２５…目的関数Ｅのブロック、ＮＷ…ネットワーク。
【要約】
【課題】意図した通信トラヒックの状態となるように、ＩｏＴ端末に対して無線リソースの利用に関する通信制御を行うことを目的とする。
【解決手段】
通信制御装置１は、無線リソースを分割したリソースブロックごとの利用状況を各クラスタの観測値とした混合確率モデルについて、観測値の集合である観測データの分布を設定する第１設定部１０と、設定された観測データの分布となるように混合確率モデルのパラメータを設定する第２設定部１１と、設定されたパラメータを有する混合確率モデルを、リソースブロックの利用状況に関する真の利用情報として、真の利用情報に類似する疑似利用情報を生成する生成器１２１と識別器１２２とを有する生成モデルの敵対的学習を行う学習部１２と、学習部１２によって構築された学習済み生成器１２１’を通信制御情報として通信端末２に通知する通知部１４とを備える。
【選択図】図１
【解決手段】
通信制御装置１は、無線リソースを分割したリソースブロックごとの利用状況を各クラスタの観測値とした混合確率モデルについて、観測値の集合である観測データの分布を設定する第１設定部１０と、設定された観測データの分布となるように混合確率モデルのパラメータを設定する第２設定部１１と、設定されたパラメータを有する混合確率モデルを、リソースブロックの利用状況に関する真の利用情報として、真の利用情報に類似する疑似利用情報を生成する生成器１２１と識別器１２２とを有する生成モデルの敵対的学習を行う学習部１２と、学習部１２によって構築された学習済み生成器１２１’を通信制御情報として通信端末２に通知する通知部１４とを備える。
【選択図】図１
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
