Fugu-MT 論文翻訳(概要): Machine Learning for Network Slicing Resource Management: A Comprehensive Survey

論文の概要: Machine Learning for Network Slicing Resource Management: A Comprehensive Survey

arxiv url: http://arxiv.org/abs/2001.07974v1
Date: Wed, 22 Jan 2020 11:55:29 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 18:57:34.973636
Title: Machine Learning for Network Slicing Resource Management: A Comprehensive Survey
Title（参考訳）: ネットワークスライシングリソース管理のための機械学習: 総合的な調査
Authors: Bin Han and Hans D. Schotten
Abstract要約: マルチテナントネットワークスライシングは5Gセルネットワークの重要な特徴であると考えられている。新しいタイプのパブリッククラウドサービスとして、ネットワークスライスを提供する。ネットワークリソース管理における新たな課題を提起する。
参考スコア（独自算出の注目度）: 8.447614574360781
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The emerging technology of multi-tenancy network slicing is considered as an essential feature of 5G cellular networks. It provides network slices as a new type of public cloud services, and therewith increases the service flexibility and enhances the network resource efficiency. Meanwhile, it raises new challenges of network resource management. A number of various methods have been proposed over the recent past years, in which machine learning and artificial intelligence techniques are widely deployed. In this article, we provide a survey to existing approaches of network slicing resource management, with a highlight on the roles played by machine learning in them.
Abstract（参考訳）: マルチテナントネットワークスライシングの新たな技術は,5Gセルネットワークの重要な特徴であると考えられる。新しいタイプのパブリッククラウドサービスとしてネットワークスライスを提供し、サービスの柔軟性を高め、ネットワークリソース効率を向上させる。一方で、ネットワークリソース管理の新たな課題が浮かび上がっている。近年,機械学習や人工知能技術が広く採用されている様々な手法が提案されている。本稿では,ネットワークスライシング資源管理の既存手法に関する調査を行い,機械学習が果たす役割について注目する。

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)
Towards Intelligent Network Management: Leveraging AI for Network Service Detection [0.0]
本研究では,高度なネットワークトラフィック分類システムを構築するために機械学習手法を活用することに焦点を当てた。我々は,様々なネットワークサービスタイプをリアルタイムに識別する,新しいデータ駆動型アプローチを提案する。本システムは,ネットワークサービスを識別する際,顕著な精度を示す。
論文参考訳（メタデータ） (2023-10-14T16:06:11Z)
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)
Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文参考訳（メタデータ） (2022-05-27T13:09:29Z)
Machine Learning and Artificial Intelligence in Next-Generation Wireless Network [13.263836603347606]
本稿では、次世代無線ネットワークの容量と有効性を改善するために、機械学習、自動化、人工知能、ビッグデータ分析に焦点を当てる。この論文は、機械学習、ビッグデータ分析、人工知能が、次世代の無線ネットワークを自己適応、自己認識、規範、そして積極的にするのに役立つことを明らかにする。
論文参考訳（メタデータ） (2021-12-30T18:58:40Z)
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)
Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
論文参考訳（メタデータ） (2021-02-15T14:19:55Z)
Sparsity in Deep Learning: Pruning and growth for efficient inference and training in neural networks [78.47459801017959]
Sparsityは、モバイル機器に適合する通常のネットワークのメモリフットプリントを減らすことができる。ニューラルネットワークの要素を除去および追加するためのアプローチ、モデルの疎性を達成するための異なるトレーニング戦略、実際に疎性を利用するメカニズムについて説明する。
論文参考訳（メタデータ） (2021-01-31T22:48:50Z)
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)
Learn to Schedule (LEASCH): A Deep reinforcement learning approach for radio resource scheduling in the 5G MAC layer [0.0]
本稿では,5GネットワークのMAC層における無線リソーススケジューリング問題を解くことができる深層強化学習モデルLEASCHについて述べる。その結果,多くの性能指標において,従来の基準法と比較してLEASCHの有効性が検証された。
論文参考訳（メタデータ） (2020-03-24T17:45:53Z)

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。