論文の概要: Recurrent Neural Networks for Handover Management in Next-Generation
Self-Organized Networks
- arxiv url: http://arxiv.org/abs/2006.06526v1
- Date: Thu, 11 Jun 2020 15:41:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 14:35:05.307678
- Title: Recurrent Neural Networks for Handover Management in Next-Generation
Self-Organized Networks
- Title(参考訳): 次世代自己組織化ネットワークにおけるハンドオーバ管理のためのリカレントニューラルネットワーク
- Authors: Zoraze Ali, Marco Miozzo, Lorenza Giupponi, Paolo Dini, Stojan Denic,
Stavroula Vassaki
- Abstract要約: マルチセルシナリオにおいて,全プロトコルスタックデータから経験を抽出し,スマートなハンドオーバ決定を行う。
また,データから抽出した経験から,ダウンロード回数を18%改善できることを示す。
- 参考スコア(独自算出の注目度): 3.739447791617488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we discuss a handover management scheme for Next Generation
Self-Organized Networks. We propose to extract experience from full protocol
stack data, to make smart handover decisions in a multi-cell scenario, where
users move and are challenged by deep zones of an outage. Traditional handover
schemes have the drawback of taking into account only the signal strength from
the serving, and the target cell, before the handover. However, we believe that
the expected Quality of Experience (QoE) resulting from the decision of target
cell to handover to, should be the driving principle of the handover decision.
In particular, we propose two models based on multi-layer many-to-one LSTM
architecture, and a multi-layer LSTM AutoEncoder (AE) in conjunction with a
MultiLayer Perceptron (MLP) neural network. We show that using experience
extracted from data, we can improve the number of users finalizing the download
by 18%, and we can reduce the time to download, with respect to a standard
event-based handover benchmark scheme. Moreover, for the sake of
generalization, we test the LSTM Autoencoder in a different scenario, where it
maintains its performance improvements with a slight degradation, compared to
the original scenario.
- Abstract(参考訳): 本稿では,次世代自己組織化ネットワークのハンドオーバ管理方式について論じる。
本稿では,全プロトコルスタックデータから経験を抽出し,ユーザが移動し,停止の深いゾーンに挑戦するマルチセルシナリオにおいて,スマートハンドオーバ決定を行うことを提案する。
従来のハンドオーバ方式では、ハンドオーバの前にサービスからの信号強度とターゲットセルのみを考慮に入れるという欠点がある。
しかし、我々は、標的細胞をハンドオーバする決定から生じる期待されるQoE(Quality of Experience)が、ハンドオーバ決定の原動力となると信じている。
特に,多層多層LSTMアーキテクチャと多層LSTMオートエンコーダ(AE)と,MLP(MultiLayer Perceptron)ニューラルネットワークを併用した2つのモデルを提案する。
本研究では,データから抽出した経験を用いて,ユーザ数を18%削減できることを示すとともに,イベントベースのハンドオーバベンチマーク手法によるダウンロード時間を削減できることを示す。
さらに、一般化のために、LSTMオートエンコーダを異なるシナリオでテストし、元のシナリオと比較して若干の劣化を伴って性能改善を継続する。
関連論文リスト
- Open RAN LSTM Traffic Prediction and Slice Management using Deep
Reinforcement Learning [7.473473066047965]
本稿では,分散深部強化学習(DDRL)を用いたORANスライシングの新しい手法を提案する。
シミュレーションの結果,ネットワーク性能が著しく向上し,特に違反の低減が図られた。
これは、動的xAppの一部として、予測rAppと分散アクターの情報を共同で使用することの重要性を強調している。
論文 参考訳(メタデータ) (2024-01-12T22:43:07Z) - Energy-Efficient On-Board Radio Resource Management for Satellite
Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。
関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文 参考訳(メタデータ) (2023-08-22T03:13:57Z) - WLD-Reg: A Data-dependent Within-layer Diversity Regularizer [98.78384185493624]
ニューラルネットワークは、勾配に基づく最適化と共同で訓練された階層構造に配置された複数の層で構成されている。
我々は、この従来の「中間層」フィードバックを補うために、同じ層内での活性化の多様性を促進するために、追加の「中間層」フィードバックを補うことを提案する。
本稿では,提案手法が複数のタスクにおける最先端ニューラルネットワークモデルの性能を向上させることを実証した広範な実証研究を提案する。
論文 参考訳(メタデータ) (2023-01-03T20:57:22Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳(メタデータ) (2021-10-28T08:14:57Z) - Score-based Generative Modeling in Latent Space [93.8985523558869]
スコアベース生成モデル(SGM)は,最近,サンプル品質と分布範囲の両面で顕著な結果を示した。
本稿では,Latent Score-based Generative Model (LSGM)を提案する。
データから潜在空間への移動により、より表現力のある生成モデルをトレーニングし、非連続データにSGMを適用し、よりスムーズなSGMをより小さな空間で学習することができる。
論文 参考訳(メタデータ) (2021-06-10T17:26:35Z) - Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G
Handover [0.0]
5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。
小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。
従来のハンドオーバ改善方式とは対照的に,ネットワークモビリティを管理するために,深層学習ニューラルネットワーク(DLNN)を実装した「ディープ・モビリティ」モデルを開発した。
論文 参考訳(メタデータ) (2021-01-17T00:31:37Z) - AMVNet: Assertion-based Multi-View Fusion Network for LiDAR Semantic
Segmentation [8.883837682023493]
We present a Assertion-based Multi-View Fusion network (AMVNet) for LiDAR semantic segmentation。
スコアの不一致のアサーションガイドポイントサンプリングを行い、各サンプリングポイントのポイントレベルの機能セットを単純なポイントヘッドに渡し、予測を洗練します。
提案手法は,プロジェクションベースネットワークのクラススコアを組み合わせたベースライン法よりも優れている。
論文 参考訳(メタデータ) (2020-12-09T09:34:25Z) - OverNet: Lightweight Multi-Scale Super-Resolution with Overscaling
Network [3.6683231417848283]
SISRを任意のスケールで1つのモデルで解くための,深層でも軽量な畳み込みネットワークであるOverNetを紹介した。
我々のネットワークは、従来の手法よりも少ないパラメータを使用しながら、標準ベンチマークにおいて、過去の最先端結果よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-08-05T22:10:29Z) - Self-Attention Networks for Intent Detection [0.9023847175654603]
本稿では,自己注意ネットワークとBi-LSTMに基づく新たな意図検出システムを提案する。
提案手法は,変圧器モデルと深層平均化ネットワークベースユニバーサル文エンコーダを用いて改善を示す。
我々は,Snips,Smart Speaker,Smart Lights,およびATISデータセットを異なる評価指標で評価する。
論文 参考訳(メタデータ) (2020-06-28T12:19:15Z) - A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。
提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文 参考訳(メタデータ) (2020-06-08T02:39:59Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳(メタデータ) (2019-10-12T22:07:15Z)
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。