論文の概要: Two Decades of AI4NETS-AI/ML for Data Networks: Challenges & Research Directions

• arxiv url: http://arxiv.org/abs/2003.04080v1
• Date: Tue, 3 Mar 2020 00:36:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 23:10:13.726466
• Title: Two Decades of AI4NETS-AI/ML for Data Networks: Challenges & Research Directions
• Title（参考訳）: データネットワークのためのAI4NETS-AI/MLの2年 - 課題と研究の方向性
• Authors: Pedro Casas
• Abstract要約: 人工知能(AI)と、AIへのアプローチとしての機械学習(ML)の人気は、ここ数年で劇的に増加している。 ネットワークを学習エージェントにしようとする試みは多いが、ネットワークにおけるAI/MLの適用の成功は限られている。 AI/MLベースのソリューションには強い抵抗があり、広範な学術研究と実際のデプロイメントとの間には大きなギャップがある。
• 参考スコア（独自算出の注目度）: 4.9469703779632415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The popularity of Artificial Intelligence (AI) -- and of Machine Learning (ML) as an approach to AI, has dramatically increased in the last few years, due to its outstanding performance in various domains, notably in image, audio, and natural language processing. In these domains, AI success-stories are boosting the applied field. When it comes to AI/ML for data communication Networks (AI4NETS), and despite the many attempts to turn networks into learning agents, the successful application of AI/ML in networking is limited. There is a strong resistance against AI/ML-based solutions, and a striking gap between the extensive academic research and the actual deployments of such AI/ML-based systems in operational environments. The truth is, there are still many unsolved complex challenges associated to the analysis of networking data through AI/ML, which hinders its acceptability and adoption in the practice. In this positioning paper I elaborate on the most important show-stoppers in AI4NETS, and present a research agenda to tackle some of these challenges, enabling a natural adoption of AI/ML for networking. In particular, I focus the future research in AI4NETS around three major pillars: (i) to make AI/ML immediately applicable in networking problems through the concepts of effective learning, turning it into a useful and reliable way to deal with complex data-driven networking problems; (ii) to boost the adoption of AI/ML at the large scale by learning from the Internet-paradigm itself, conceiving novel distributed and hierarchical learning approaches mimicking the distributed topological principles and operation of the Internet itself; and (iii) to exploit the softwarization and distribution of networks to conceive AI/ML-defined Networks (AIDN), relying on the distributed generation and re-usage of knowledge through novel Knowledge Delivery Networks (KDNs).
• Abstract（参考訳）: 人工知能(AI)と、AIへのアプローチとしての機械学習(ML)の人気は、画像、オーディオ、自然言語処理など、さまざまな領域で卓越したパフォーマンスのため、ここ数年で劇的に増加した。 これらの領域では、AIの成功例が応用分野を強化している。 データ通信ネットワーク(AI4NETS)のAI/MLに関しては、ネットワークを学習エージェントにしようとする試みが数多くあるが、ネットワークにおけるAI/MLの成功した応用は限られている。 AI/MLベースのソリューションには強い抵抗があり、広範な学術研究と、運用環境におけるこのようなAI/MLベースのシステムの実際の展開との間には、大きなギャップがある。 事実、AI/MLによるネットワークデータの解析にまつわる、未解決の複雑な課題がまだたくさんある。 本稿では、AI4NETSにおける最も重要なショーストッパーについて詳しく述べ、これらの課題に対処するための研究課題を提示し、ネットワークにAI/MLを自然に採用できるようにする。 特に、ai4netsの3つの主要な柱に関する今後の研究に焦点を当てます。 i)AI/MLを効果的な学習の概念を通じてネットワーク問題に即時に適用し、複雑なデータ駆動ネットワーク問題に対処するための有用で信頼性の高い方法に変えること。 (二)インターネットパラダイム自体から学び、インターネット自体の分散トポロジカルな原則と操作を模倣した新奇で階層的な学習アプローチを考案し、大規模にAI/MLの採用を促進すること。 3)AI/ML定義ネットワーク(AI/ML-Defined Networks, AIDN)は,新たな知識配信ネットワーク(KDNs)を通じて,知識の分散生成と再利用に依存している。

関連論文リスト

• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [54.247747237176625]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)
• Machine Learning & Wi-Fi: Unveiling the Path Towards AI/ML-Native IEEE 802.11 Networks [1.5999407512883512]
  本稿では,現在のWi-FiネットワークにおけるAI/MLの役割について論じる。 主な課題、標準化の取り組み、主要なイネーブラーについても論じられている。 異なる採用段階において、Wi-FiにおけるAI/MLの可能性を示すための模範的なユースケースが提供される。
  論文  参考訳（メタデータ） (2024-05-19T10:12:20Z)
• Proceedings of the Artificial Intelligence for Cyber Security (AICS) Workshop at AAAI 2022 [55.573187938617636]
  ワークショップは、サイバーセキュリティの問題へのAIの適用に焦点を当てる。 サイバーシステムは大量のデータを生成し、これを効果的に活用することは人間の能力を超えます。
  論文  参考訳（メタデータ） (2022-02-28T18:27:41Z)
• Confident AI [0.0]
  本稿では,人工知能(AI)と機械学習(ML)システムを,モデル予測と報告結果に対するアルゴリズムとユーザ信頼性の両方で設計する手段として,信頼AIを提案する。 Confident AIの4つの基本原則は、反復性、信頼性、十分性、適応性である。
  論文  参考訳（メタデータ） (2022-02-12T02:26:46Z)
• Pervasive AI for IoT Applications: Resource-efficient Distributed Artificial Intelligence [45.076180487387575]
  人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。 これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。 広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
  論文  参考訳（メタデータ） (2021-05-04T23:42:06Z)
• Next Wave Artificial Intelligence: Robust, Explainable, Adaptable, Ethical, and Accountable [5.4138734778206]
  ディープニューラルネットワークはコンピュータビジョン、音声認識、言語処理、ゲームプレイング、ロボット工学において多くの成功と新機能をもたらしている。 関連する制限は、今日のAIシステムの中で最も成功した場合でも脆さに苦しむことです。 AIシステムは、トレーニングデータから性別、人種、その他の要因に基づくバイアスを吸収し、その後の意思決定におけるバイアスをさらに大きくすることができる。
  論文  参考訳（メタデータ） (2020-12-11T00:50:09Z)
• Empowering Things with Intelligence: A Survey of the Progress, Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
  AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。 まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。 最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
  論文  参考訳（メタデータ） (2020-11-17T13:14:28Z)
• Artificial Intelligence for UAV-enabled Wireless Networks: A Survey [72.10851256475742]
  無人航空機(UAV)は次世代無線通信ネットワークにおいて有望な技術であると考えられている。 人工知能(AI)は近年急速に成長し、成功している。 UAVベースのネットワークにおけるAIの潜在的な応用について概観する。
  論文  参考訳（メタデータ） (2020-09-24T07:11:31Z)
• Problems in AI research and how the SP System may help to solve them [0.0]
  本稿では,AI研究における問題点と,SPシステムがそれらをどのように解決するかについて述べる。 問題のほとんどは、科学作家のMartin Ford氏へのインタビューで、AIの先導的な研究者によって説明されている。
  論文  参考訳（メタデータ） (2020-09-02T11:33:07Z)
• Distributed and Democratized Learning: Philosophy and Research Challenges [80.39805582015133]
  民主化学習(Dem-AI)という新しいデザイン哲学を提案する。 ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。 本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
  論文  参考訳（メタデータ） (2020-03-18T08:45:10Z)
• 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。