論文の概要: A survey on Machine Learning-based Performance Improvement of Wireless Networks: PHY, MAC and Network layer

• arxiv url: http://arxiv.org/abs/2001.04561v2
• Date: Sat, 18 Jan 2020 14:44:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 22:58:26.953568
• Title: A survey on Machine Learning-based Performance Improvement of Wireless Networks: PHY, MAC and Network layer
• Title（参考訳）: 無線ネットワークの機械学習による性能改善に関する調査:PHY,MAC,ネットワーク層
• Authors: Merima Kulin, Tarik Kazaz, Ingrid Moerman, Eli de Poorter
• Abstract要約: 本稿では、機械学習(ML)に基づく無線ネットワークの性能改善に焦点を当てた最新の研究成果を概説する。 まず、関連する作業と論文のコントリビューションについて論じ、続いてデータ駆動アプローチと機械学習に関する必要なバックグラウンドを提供する。 無線通信パラメータ設定を最適化するためのMLベースのアプローチを用いた作業について、包括的なレビューを行う。
• 参考スコア（独自算出の注目度）: 5.981104070546863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper provides a systematic and comprehensive survey that reviews the latest research efforts focused on machine learning (ML) based performance improvement of wireless networks, while considering all layers of the protocol stack (PHY, MAC and network). First, the related work and paper contributions are discussed, followed by providing the necessary background on data-driven approaches and machine learning for non-machine learning experts to understand all discussed techniques. Then, a comprehensive review is presented on works employing ML-based approaches to optimize the wireless communication parameters settings to achieve improved network quality-of-service (QoS) and quality-of-experience (QoE). We first categorize these works into: radio analysis, MAC analysis and network prediction approaches, followed by subcategories within each. Finally, open challenges and broader perspectives are discussed.
• Abstract（参考訳）: 本稿では,プロトコルスタック(phy,mac,ネットワーク)のすべてのレイヤを考慮しながら,機械学習(ml)ベースの無線ネットワークの性能向上に焦点をあてた最新の研究成果を概観した体系的かつ包括的な調査を行う。 まず、関連する作業と論文のコントリビューションについて論じ、続いて、議論されたすべてのテクニックを理解するために、データ駆動アプローチと機械学習に必要な背景を提供する。 次に,無線通信パラメータ設定を最適化し,ネットワーク品質(qos)とqoe(quality-of-experience)の改善を実現するためのmlベースの手法を用いた包括的レビューを行った。 まず、これらの研究を、無線分析、MAC分析、ネットワーク予測アプローチ、各サブカテゴリに分類する。 最後に、オープンチャレンジとより広い視点について論じる。

関連論文リスト

• Multiple Access in the Era of Distributed Computing and Edge Intelligence [23.65754442262314]
  まず,マルチアクセスエッジコンピューティング(MEC)について検討し,ネットワークのエッジにおけるデータ処理と計算能力の増大に対応するために重要である。 次に,様々な関数を高速かつ効率的に計算する手法として,OTA(Over-the-air)コンピューティングについて検討する。 機械学習(ML)とマルチアクセステクノロジの分離についても、フェデレーションラーニング、強化ラーニング、MLベースのマルチアクセスプロトコルの開発に重点が置かれている。
  論文  参考訳（メタデータ） (2024-02-26T11:04:04Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• An NWDAF Approach to 5G Core Network Signaling Traffic: Analysis and Characterization [3.5573601621032935]
  本稿では,5G Core(5GC)ネットワークとNetwork Data Analytics Function(NWDAF)の動作システムプロトタイプの実証に焦点をあてる。 ネットワーク生成データの解析は、教師なし学習、クラスタリングを通じてネットワーク内相互作用の中核を探索し、これらの結果を将来の機会と作業の洞察として評価する。
  論文  参考訳（メタデータ） (2022-09-21T15:21:59Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• In-Network Learning: Distributed Training and Inference in Networks [10.635097939284753]
  我々は,複数のデータストリームと処理ユニットを利用する学習アルゴリズムとアーキテクチャを開発する。 特に、この分析は、推論がネットワークをまたいでどのように伝播し、融合するかを明らかにする。
  論文  参考訳（メタデータ） (2021-07-07T18:35:08Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。