論文の概要: Redefining Wireless Communication for 6G: Signal Processing Meets Deep
Learning with Deep Unfolding
- arxiv url: http://arxiv.org/abs/2004.10715v5
- Date: Mon, 23 Aug 2021 19:10:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 18:50:31.229765
- Title: Redefining Wireless Communication for 6G: Signal Processing Meets Deep
Learning with Deep Unfolding
- Title（参考訳）: 6g通信の再定義:信号処理は深い展開を伴うディープラーニングを満たす
- Authors: Anu Jagannath, Jithin Jagannath, and Tommaso Melodia
- Abstract要約: 提案する6G通信アーキテクチャがもたらすサービス要件と課題について述べる。
従来のアルゴリズムの原則とデータに精通したディープラーニングアプローチの欠陥について概説する。
本稿では,将来の6Gネットワークにおいて,ハードウェア効率の高いエッジインテリジェンスを実現するためのオープンな研究課題を動機づける。
- 参考スコア（独自算出の注目度）: 17.186326961526994
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The year 2019 witnessed the rollout of the 5G standard, which promises to
offer significant data rate improvement over 4G. While 5G is still in its
infancy, there has been an increased shift in the research community for
communication technologies beyond 5G. The recent emergence of machine learning
approaches for enhancing wireless communications and empowering them with
much-desired intelligence holds immense potential for redefining wireless
communication for 6G. The evolving communication systems will be bottlenecked
in terms of latency, throughput, and reliability by the underlying signal
processing at the physical layer. In this position paper, we motivate the need
to redesign iterative signal processing algorithms by leveraging deep unfolding
techniques to fulfill the physical layer requirements for 6G networks. To this
end, we begin by presenting the service requirements and the key challenges
posed by the envisioned 6G communication architecture. We outline the
deficiencies of the traditional algorithmic principles and data-hungry deep
learning (DL) approaches in the context of 6G networks. Specifically, deep
unfolded signal processing is presented by sketching the interplay between
domain knowledge and DL. The deep unfolded approaches reviewed in this article
are positioned explicitly in the context of the requirements imposed by the
next generation of cellular networks. Finally, this article motivates open
research challenges to truly realize hardware-efficient edge intelligence for
future 6G networks.
- Abstract（参考訳）: 2019年は、データレートが4Gより大幅に向上する5G標準のロールアウトを目の当たりにした。
5gはまだ初期段階だが、研究コミュニティでは5gを超える通信技術へのシフトが増えている。
近年、無線通信を強化し、望まれるインテリジェンスでそれらを強化する機械学習アプローチの出現は、6Gの無線通信を再定義する大きな可能性を秘めている。
進化する通信システムは、物理層における基盤となる信号処理によってレイテンシ、スループット、信頼性の点でボトルネックとなる。
本稿では, 6gネットワークの物理層要件を満たすために, 深い展開技術を活用することで, 反復的信号処理アルゴリズムの再設計を動機付ける。
この目的のために、私たちはまず、想定される6G通信アーキテクチャによって引き起こされるサービス要件と重要な課題を提示します。
6Gネットワークの文脈において,従来のアルゴリズム原理とデータハングリー深層学習(DL)アプローチの欠点を概説する。
具体的には、ドメイン知識とDLの相互作用をスケッチすることで、深い展開信号処理を行う。
本稿では,次世代のセルネットワークが課す要件の文脈において,再検討した深層展開アプローチを明示的に位置づける。
最後に,今後の6Gネットワークにおいて,ハードウェア効率の高いエッジインテリジェンスを実現するためのオープンな研究課題について述べる。
関連論文リスト
- Security, Trust and Privacy challenges in AI-driven 6G Networks [2.362412515574206]
本稿では, 6G ネットワークのインフラの進化について考察し, より非凝集な構造への遷移を強調した。
AI中心のアーキテクチャから生じるネットワーク攻撃の分類を示し、これらの新興脅威を検出または緩和するために設計された技術を探究する。
この論文は、ロバストネットワークの確保において、AIの利用に関連する意味とリスクを調べることで締めくくっている。
論文 参考訳（メタデータ） (2024-09-16T14:48:20Z) - Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End
Collaboration [56.330705072736166]
基礎モデルに基づく6GネイティブAIフレームワークを提案し、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。
実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
論文 参考訳（メタデータ） (2023-10-26T15:19:40Z) - AI Empowered Net-RCA for 6G [12.368396458140326]
6Gは、より高いデータレート、信頼性の向上、ユビキタスAIサービス、大規模な接続デバイスのサポートを提供すると想定されている。
6Gは前機種よりずっと複雑だ。
システムスケールと複雑性の増大、レガシネットワークとの共存、およびサービス要件の多様化は、必然的に、将来の6Gネットワークの保守コストと労力を増大させます。
論文 参考訳（メタデータ） (2022-12-01T07:38:32Z) - Towards Supporting Intelligence in 5G/6G Core Networks: NWDAF
Implementation and Initial Analysis [3.5573601621032935]
本稿では,NWDAFをオープンソースソフトウェアを用いて開発した5Gネットワークに組み込む。
5Gネットワークの期待される限界は,6Gネットワーク開発へのモチベーションとして議論される。
論文 参考訳（メタデータ） (2022-05-30T14:15:46Z) - Transformer-Empowered 6G Intelligent Networks: From Massive MIMO
Processing to Semantic Communication [71.21459460829409]
トランスフォーマーとして知られる新しいディープラーニングアーキテクチャを導入し、その6Gネットワーク設計への影響について論じる。
具体的には、6GネットワークにおけるMIMO(Multiple-input multiple-output)システムと様々な意味コミュニケーション問題に対するトランスフォーマーベースのソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-08T03:22:20Z) - On Topology Optimization and Routing in Integrated Access and Backhaul
Networks: A Genetic Algorithm-based Approach [70.85399600288737]
IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。
我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。
メッシュベースのIABネットワークを実現する上での課題について論じる。
論文 参考訳（メタデータ） (2021-02-14T21:52:05Z) - Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。
本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
論文 参考訳（メタデータ） (2020-10-01T02:16:40Z) - A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning [115.75967665222635]
超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。
ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。
このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
論文 参考訳（メタデータ） (2020-09-13T14:53:01Z) - Federated Learning for 6G Communications: Challenges, Methods, and
Future Directions [71.31783903289273]
6Gとフェデレーション学習の統合を導入し、6Gのための潜在的なフェデレーション学習アプリケーションを提供する。
6G通信の文脈において,重要な技術的課題,それに対応するフェデレーション学習手法,および今後のフェデレーション学習研究のためのオープンな課題について述べる。
論文 参考訳（メタデータ） (2020-06-04T15:17:19Z)
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。