論文の概要: Towards Ubiquitous AI in 6G with Federated Learning

• arxiv url: http://arxiv.org/abs/2004.13563v1
• Date: Sun, 26 Apr 2020 13:05:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 14:03:49.902203
• Title: Towards Ubiquitous AI in 6G with Federated Learning
• Title（参考訳）: 6GにおけるユビキタスAIとフェデレーションラーニング
• Authors: Yong Xiao and Guangming Shi and Marwan Krunz
• Abstract要約: Federated Learning(FL)は、異種および潜在的に大規模ネットワークにおけるデータ駆動型AIソリューションを可能にする、新興の分散AIソリューションである。 FLベースのネットワークアーキテクチャを提案し、6Gで期待される新しい課題に対処する可能性について論じる。
• 参考スコア（独自算出の注目度）: 43.318721658647014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With 5G cellular systems being actively deployed worldwide, the research community has started to explore novel technological advances for the subsequent generation, i.e., 6G. It is commonly believed that 6G will be built on a new vision of ubiquitous AI, an hyper-flexible architecture that brings human-like intelligence into every aspect of networking systems. Despite its great promise, there are several novel challenges expected to arise in ubiquitous AI-based 6G. Although numerous attempts have been made to apply AI to wireless networks, these attempts have not yet seen any large-scale implementation in practical systems. One of the key challenges is the difficulty to implement distributed AI across a massive number of heterogeneous devices. Federated learning (FL) is an emerging distributed AI solution that enables data-driven AI solutions in heterogeneous and potentially massive-scale networks. Although it still in an early stage of development, FL-inspired architecture has been recognized as one of the most promising solutions to fulfill ubiquitous AI in 6G. In this article, we identify the requirements that will drive convergence between 6G and AI. We propose an FL-based network architecture and discuss its potential for addressing some of the novel challenges expected in 6G. Future trends and key research problems for FL-enabled 6G are also discussed.
• Abstract（参考訳）: 5gセルラーシステムが世界中で活発に展開され、研究コミュニティは次の世代、すなわち6gの新しい技術進歩を探求し始めた。 6GはユビキタスAIという超フレキシブルなアーキテクチャの新しいビジョンに基づいて構築され、ネットワークシステムのあらゆる側面に人間のようなインテリジェンスをもたらすと一般的に信じられている。 その大きな約束にもかかわらず、ユビキタスAIベースの6Gには、いくつかの新しい課題が期待されている。 無線ネットワークにAIを適用する試みは数多く行われているが、これらの試みは実用システムに大規模な実装をまだ見ていない。 重要な課題の1つは、大量の異種デバイスに分散AIを実装することの難しさである。 Federated Learning(FL)は、異種および潜在的に大規模ネットワークにおけるデータ駆動型AIソリューションを可能にする、新興の分散AIソリューションである。 まだ開発の初期段階だが、flにインスパイアされたアーキテクチャは、6gでユビキタスaiを実現する最も有望なソリューションの1つとして認識されている。 本稿では,6GとAIの収束を促進するための要件を特定する。 FLベースのネットワークアーキテクチャを提案し、6Gで期待される新しい課題に対処する可能性について論じる。 FL対応6Gの今後の動向と研究課題についても論じる。

関連論文リスト

• Decentralized Multi-Party Multi-Network AI for Global Deployment of 6G Wireless Systems [31.754166695074353]
  本稿では、大規模にデプロイされた6GネットワークにAIを統合するための分散マルチパーティ・マルチネットワークAI(DMMAI)フレームワークを紹介する。 DMMAIは、さまざまなネットワークプラットフォームにわたるAI駆動コントロールを調和させ、自らを自律的に構成、監視、修復するネットワークを促進する。 弊社のアプローチでは、マルチネットワークオーケストレーションとAIコントロールの統合について検討し、6GネットワークにおけるAI駆動のコーディネーションのための標準フレームワークにおける重要なギャップを埋める。
  論文  参考訳（メタデータ） (2024-04-15T15:21:25Z)
• 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)
• Optimization Design for Federated Learning in Heterogeneous 6G Networks [27.273745760946962]
  フェデレーテッド・ラーニング(FL)は、6GネットワークでユビキタスAIを実現するための重要な実現手段として期待されている。 6Gネットワークにおける有効かつ効率的なFL実装には、いくつかのシステムおよび統計的不均一性の課題がある。 本稿では,これらの課題に効果的に対処できる最適化手法について検討する。
  論文  参考訳（メタデータ） (2023-03-15T02:18:21Z)
• In-situ Model Downloading to Realize Versatile Edge AI in 6G Mobile Networks [61.416494781759326]
  In-situモデルダウンロードは、ネットワーク内のAIライブラリからダウンロードすることで、デバイス上のAIモデルを透過的でリアルタイムに置き換えることを目的としている。 提示されたフレームワークの重要なコンポーネントは、ダウンロードされたモデルを深さレベル、パラメータレベル、ビットレベルで動的に圧縮する一連のテクニックである。 我々は,3層(エッジ,ローカル,中央)AIライブラリのキー機能を備えた,インサイトモデルダウンロードのデプロイ用にカスタマイズされた6Gネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T13:41:15Z)
• Explainable AI for B5G/6G: Technical Aspects, Use Cases, and Research Challenges [4.7501565899812]
  研究者たちは、6Gの帯域幅、カバー範囲、信頼性、エネルギー効率、レイテンシーの低下を期待している。 このような6Gネットワークは、1秒ごとに行われる自動決定の過度な数につながります。 意思決定に対する制御を失うリスクは、高速なデータ集約型AI意思決定によって増大する可能性がある。
  論文  参考訳（メタデータ） (2021-12-09T04:46:31Z)
• Toward a 6G AI-Native Air Interface [18.29093977252384]
  6Gは大規模分散学習システムのニーズに応える必要がある。 AIが6G自体の設計において決定的な役割を果たすかどうかは定かではない。 この記事の目的は、部分的にAIによって設計された新しいエアインターフェースのビジョンを描くことです。
  論文  参考訳（メタデータ） (2020-12-15T13:46:04Z)
• 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)
• 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)
• 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。