Fugu-MT 論文翻訳(概要): Recurrent Neural Networks for Handover Management in Next-Generation Self-Organized Networks

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

Predictive Handover Strategy in 6G and Beyond: A Deep and Transfer Learning Approach [11.44410301488549]
本稿では,将来的なサービスセル予測のためのディープラーニングに基づくアルゴリズムを提案する。我々のフレームワークはO-RAN仕様に準拠しており、Near-Real-Time RAN Intelligent Controllerにデプロイできます。
論文参考訳（メタデータ） (2024-04-11T20:30:36Z)
Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文参考訳（メタデータ） (2024-03-21T02:33:37Z)
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)
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)
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。