論文の概要: Privacy-Preserving Distributed Learning Framework for 6G Telecom
Ecosystems
- arxiv url: http://arxiv.org/abs/2008.07225v1
- Date: Mon, 17 Aug 2020 11:16:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 04:28:16.336308
- Title: Privacy-Preserving Distributed Learning Framework for 6G Telecom
Ecosystems
- Title(参考訳): 6Gテレコムエコシステムのためのプライバシ保護分散学習フレームワーク
- Authors: Pooyan Safari, Behnam Shariati, Johannes Karl Fischer
- Abstract要約: 6G時代における通信エコシステムのためのプライバシ保護分散学習フレームワークを提案する。
マルチドメインマルチベンダ光ネットワークにおけるQoT(Quality of Transmission)推定のユースケースに適用することで,そのメリットを実証する。
- 参考スコア(独自算出の注目度): 2.8682942808330703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a privacy-preserving distributed learning framework for telecom
ecosystems in the 6G-era that enables the vision of shared ownership and
governance of ML models, while protecting the privacy of the data owners. We
demonstrate its benefits by applying it to the use-case of Quality of
Transmission (QoT) estimation in multi-domain multi-vendor optical networks,
where no data of individual domains is shared with the network management
system (NMS).
- Abstract(参考訳): 我々は,データ所有者のプライバシを保護しつつ,MLモデルの共有オーナシップとガバナンスのビジョンを可能にする,6G時代における通信エコシステムのためのプライバシ保護分散学習フレームワークを提案する。
本稿では,マルチドメイン・マルチベンダ光ネットワークにおけるqot(quality of transmission)推定に適用することで,ネットワーク管理システム(nms)と個々のドメインのデータを共有することなくそのメリットを実証する。
関連論文リスト
- When Large Language Model Agents Meet 6G Networks: Perception,
Grounding, and Alignment [100.58938424441027]
モバイル端末とエッジサーバの協調を利用した6GネットワークにおけるAIエージェントの分割学習システムを提案する。
提案システムでは,LLMのための新しいモデルキャッシングアルゴリズムを導入し,コンテキストにおけるモデル利用を改善する。
論文 参考訳(メタデータ) (2024-01-15T15:20:59Z) - Leveraging Large Language Models for DRL-Based Anti-Jamming Strategies
in Zero Touch Networks [13.86376549140248]
Zero Touch Networks (ZTN) は、人間の介入を最小限に抑え、完全自動化された自己最適化ネットワークの実現を目指している。
ZTNの利点は効率性とスケーラビリティにあるが、透明性、適応性、および人間の信頼に関わる課題は依然として一般的である。
本稿では,Large Language Models(LLM)をZTNに統合し,ネットワーク透過性を高め,ユーザインタラクションを改善する可能性を明らかにする。
論文 参考訳(メタデータ) (2023-08-18T08:13:23Z) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳(メタデータ) (2023-07-14T04:13:11Z) - PS-FedGAN: An Efficient Federated Learning Framework Based on Partially
Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。
本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。
PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文 参考訳(メタデータ) (2023-05-19T05:39:40Z) - Distributed Learning Meets 6G: A Communication and Computing Perspective [24.631203542364908]
Federated Learning (FL) は、著名な無線アプリケーションで選択されるDLアーキテクチャとして登場した。
実例として、FLフレームワークにMARL(Multi-Agent Reinforcement Learning)を適用し、動的スペクトルアクセス(DSA)問題に適用する。
6GネットワークにDLアプローチを適用する際の最新の課題も強調されている。
論文 参考訳(メタデータ) (2023-03-02T15:15:33Z) - Privacy-Preserving Joint Edge Association and Power Optimization for the
Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。
提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
論文 参考訳(メタデータ) (2023-01-26T10:09:23Z) - 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) - Blockchain-Based Federated Learning in Mobile Edge Networks with
Application in Internet of Vehicles [7.038557568936009]
プライバシーに関する懸念は、データプロバイダが従来のIoVネットワークでプライベートデータを共有するための大きなボトルネックです。
本稿では,モバイルエッジコンピューティング(MEC)技術がIoVシステムに自然に統合された,自律型ブロックチェーンによるプライバシ保護FLフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-01T16:38:40Z) - ESMFL: Efficient and Secure Models for Federated Learning [28.953644581089495]
本稿では,Intel Software Guard Extensions上で運用されるフェデレーション学習分散システムのプライバシ保護手法を提案する。
我々は、スペーシングにより通勤コストを削減し、異なるモデルアーキテクチャで妥当な精度を達成することができる。
論文 参考訳(メタデータ) (2020-09-03T18:27:32Z) - Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。
相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。
提案手法は, 比較手法より優れ, 最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-03-29T04:31:43Z)
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。