論文の概要: Usage of Network Simulators in Machine-Learning-Assisted 5G/6G Networks

• arxiv url: http://arxiv.org/abs/2005.08281v2
• Date: Tue, 2 Mar 2021 10:34:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 06:05:26.453155
• Title: Usage of Network Simulators in Machine-Learning-Assisted 5G/6G Networks
• Title（参考訳）: 機械学習支援5g/6gネットワークにおけるネットワークシミュレータの利用
• Authors: Francesc Wilhelmi, Marc Carrascosa, Cristina Cano, Anders Jonsson, Vishnu Ram, Boris Bellalta
• Abstract要約: 機械学習と通信システムのギャップを埋めるためのネットワークシミュレータの役割を考案する。 本稿では,MLネットワークに適用される前に,MLモデルのトレーニング,テスト,検証を行うためのシミュレータのアーキテクチャ統合について述べる。 本稿では,ネットワークシミュレータのML支援通信への統合について,住宅Wi-Fiネットワークの概念実証テストベッド実装を通して述べる。
• 参考スコア（独自算出の注目度）: 9.390329421385415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Without any doubt, Machine Learning (ML) will be an important driver of future communications due to its foreseen performance when applied to complex problems. However, the application of ML to networking systems raises concerns among network operators and other stakeholders, especially regarding trustworthiness and reliability. In this paper, we devise the role of network simulators for bridging the gap between ML and communications systems. In particular, we present an architectural integration of simulators in ML-aware networks for training, testing, and validating ML models before being applied to the operative network. Moreover, we provide insights on the main challenges resulting from this integration, and then give hints discussing how they can be overcome. Finally, we illustrate the integration of network simulators into ML-assisted communications through a proof-of-concept testbed implementation of a residential Wi-Fi network.
• Abstract（参考訳）: 間違いなく、機械学習(ML)は、複雑な問題に適用する際の前向きなパフォーマンスのため、将来のコミュニケーションの重要な推進役となるでしょう。 しかし、ネットワークシステムへのMLの適用は、特に信頼性と信頼性に関するネットワークオペレーターや他の利害関係者の間で懸念を喚起する。 本稿では,MLと通信システムのギャップを埋めるためのネットワークシミュレータの役割を考案する。 特に,ml-awareネットワークにおけるシミュレータのアーキテクチャ的統合により,運用ネットワークに適用する前にmlモデルのトレーニング,テスト,検証を行う。 さらに、この統合から生じる主な課題についての洞察を提供し、どのように克服できるかを議論するヒントを与えます。 最後に,家庭用Wi-Fiネットワークの実証テストベッド実装を通じて,ネットワークシミュレータのML支援通信への統合について述べる。

関連論文リスト

• WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
  大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。 本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-11T02:48:00Z)
• Generative AI-in-the-loop: Integrating LLMs and GPTs into the Next Generation Networks [11.509880721677156]
  大規模言語モデル(LLM)が最近登場し、認知タスクにおけるほぼ人間レベルのパフォーマンスを実証している。 次世代AI-in-the-loop」の概念を提案する。 LLMとMLモデルを組み合わせることで、それぞれの能力を活用し、どちらのモデルよりも優れた結果が得られると考えています。
  論文  参考訳（メタデータ） (2024-06-06T17:25:07Z)
• Can LLMs Understand Computer Networks? Towards a Virtual System Administrator [15.469010487781931]
  本稿では,大規模言語モデルによるコンピュータネットワークの理解に関する総合的研究を初めて行った。 我々は,プロプライエタリ(GPT4)とオープンソース(Llama2)モデルを用いたマルチコンピュータネットワーク上でのフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-04-19T07:41:54Z)
• 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)
• Towards Intelligent Load Balancing in Data Centers [0.5505634045241288]
  本稿では,機械学習とネットワークシステムのギャップを埋めるため,Aquariusを提案する。 オフラインデータ分析とオンラインモデル展開の両方を現実的なシステムで実行する能力を示している。
  論文  参考訳（メタデータ） (2021-10-27T12:47:30Z)
• Machine Learning for Performance Prediction of Channel Bonding in Next-Generation IEEE 802.11 WLANs [1.0486135378491268]
  我々はPompeu Fabra大学(UPF)が主催する問題ステートメント13(PS-013)の結果を提示する。 第一の目標は、チャネルボンディング(CB)技術を適用した次世代無線地域ネットワーク(WLAN)の性能予測であった。
  論文  参考訳（メタデータ） (2021-05-29T05:33:07Z)
• 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)
• 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)
• 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)
• Machine Learning for Intelligent Optical Networks: A Comprehensive Survey [9.947717243638289]
  コミュニケーションネットワークにおけるインテリジェンス向上は必須であり、人工知能(AI)と機械学習(ML)を取り入れている側面もいくつかある。 本稿では,知的光ネットワークにおけるMLの既存応用に関する詳細な調査を行う。 MLの応用は、光学ネットワーク制御と資源管理に分類され、光学ネットワークの監視と生存可能性に分類される。
  論文  参考訳（メタデータ） (2020-03-11T13:51:38Z)
• 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。