論文の概要: Trends and Advancements in Deep Neural Network Communication
- arxiv url: http://arxiv.org/abs/2003.03320v1
- Date: Fri, 6 Mar 2020 17:34:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 01:21:31.528416
- Title: Trends and Advancements in Deep Neural Network Communication
- Title（参考訳）: 深層ニューラルネットワーク通信の動向と進歩
- Authors: Felix Sattler, Thomas Wiegand, Wojciech Samek
- Abstract要約: 本稿では,機械学習とコミュニケーションの交差点における新しい研究分野における最近の進歩と課題について概説する。
データに対する知性”をもたらす新しいアプローチは、従来のクラウドソリューションよりも多くのメリットがあります。
- 参考スコア（独自算出の注目度）: 20.20847220414994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to their great performance and scalability properties neural networks
have become ubiquitous building blocks of many applications. With the rise of
mobile and IoT, these models now are also being increasingly applied in
distributed settings, where the owners of the data are separated by limited
communication channels and privacy constraints. To address the challenges of
these distributed environments, a wide range of training and evaluation schemes
have been developed, which require the communication of neural network
parametrizations. These novel approaches, which bring the "intelligence to the
data" have many advantages over traditional cloud solutions such as
privacy-preservation, increased security and device autonomy, communication
efficiency and high training speed. This paper gives an overview over the
recent advancements and challenges in this new field of research at the
intersection of machine learning and communications.
- Abstract（参考訳）: 優れたパフォーマンスとスケーラビリティのため、ニューラルネットワークは多くのアプリケーションのユビキタスなビルディングブロックになっている。
モバイルとIoTの台頭に伴い、これらのモデルは分散設定にもますます適用され、データ所有者は限られた通信チャネルとプライバシ制約によって分離される。
これらの分散環境の課題に対処するために、ニューラルネットワークのパラメトリゼーションの通信を必要とする幅広いトレーニングと評価スキームが開発された。
データにインテリジェントをもたらすこれらの新しいアプローチは、プライバシ保護、セキュリティとデバイスの自律性の向上、通信効率、高いトレーニング速度といった従来のクラウドソリューションよりも多くの利点を持っています。
本稿では,機械学習とコミュニケーションの交差点における新しい研究分野における最近の進歩と課題について概説する。
関連論文リスト
- AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳（メタデータ） (2023-09-23T00:05:39Z) - 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) - A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。
ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。
現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。
本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
論文 参考訳（メタデータ） (2022-04-26T17:00:07Z) - Privacy-Preserving Serverless Edge Learning with Decentralized Small
Data [13.254530176359182]
最近、分散トレーニング戦略は、ディープモデルをトレーニングする際のデータプライバシを保証するための有望なアプローチになっている。
本稿では、従来のサーバレスプラットフォームをサーバレスエッジ学習アーキテクチャで拡張し、ネットワークの観点から効率的な分散トレーニングフレームワークを提供する。
論文 参考訳（メタデータ） (2021-11-29T21:04:49Z) - 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) - Spiking Neural Networks -- Part III: Neuromorphic Communications [38.518936229794214]
ますますワイヤレスに接続されるデバイスの存在は、機械学習の進歩を輸出しようと努力している。
帯域制限されたチャネルを介して接続されたバッテリ駆動デバイス上での学習と推論のための機械学習モデルの実装は依然として困難である。
本稿では、スパイキングニューラルネットワーク(SNN)がこれらのオープンな問題に対処する2つの方法を探る。
論文 参考訳（メタデータ） (2020-10-27T11:52:35Z) - Deep Neural Mobile Networking [2.566129836901404]
この論文は、ディープニューラルネットワークの最近の進歩を活用して、モバイルネットワーク領域における重要な問題に対処する。
ディープラーニングベースのソリューションは、人間の専門知識なしに、生データから機能を自動的に抽出することができる。
論文 参考訳（メタデータ） (2020-10-23T09:23:36Z) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳（メタデータ） (2020-08-06T12:37:14Z) - Evaluating the Communication Efficiency in Federated Learning Algorithms [3.713348568329249]
近年,多くの国で新たなプライバシー法が制定され,フェデレートラーニング(FL)の概念が導入されている。
FLでは、モバイルユーザーは、プライバシーに敏感なデータを共有せずに、ローカルモデルを集約することでグローバルモデルを学ぶことができる。
これにより、FLを大規模に実装する際の通信コストの課題が提起される。
論文 参考訳（メタデータ） (2020-04-06T15:31:54Z) - 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。