Fugu-MT 論文翻訳(概要): Machine learning-based EDFA Gain Model Generalizable to Multiple Physical Devices

論文の概要: Machine learning-based EDFA Gain Model Generalizable to Multiple Physical Devices

arxiv url: http://arxiv.org/abs/2009.05326v1
Date: Fri, 11 Sep 2020 10:23:56 GMT
ステータス: 処理完了
システム内更新日: 2022-10-19 22:16:13.809230
Title: Machine learning-based EDFA Gain Model Generalizable to Multiple Physical Devices
Title（参考訳）: 複数の物理デバイスに一般化可能な機械学習に基づくEDFAゲインモデル
Authors: Francesco Da Ros, Uiara Celine de Moura, and Metodi P. Yankov
Abstract要約: 実験により構築したエルビウムドープファイバ増幅器(EDFA)ゲインモデルについて報告する。このモデルでは、トレーニングに使用するのと同じデバイスと、同じメイクの異なる物理ユニットの両方に対して、利得予測誤差が低い。
参考スコア（独自算出の注目度）: 1.0399530974344655
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We report a neural-network based erbium-doped fiber amplifier (EDFA) gain model built from experimental measurements. The model shows low gain-prediction error for both the same device used for training (MSE $\leq$ 0.04 dB$^2$) and different physical units of the same make (generalization MSE $\leq$ 0.06 dB$^2$).
Abstract（参考訳）: 実験により構築したエルビウムドープファイバ増幅器(EDFA)ゲインモデルについて報告する。このモデルは、トレーニングに使用される同じデバイス(MSE $\leq$ 0.04 dB$^2$)と同じメイクの異なる物理ユニット(一般化 MSE $\leq$ 0.06 dB$^2$)の両方に対して低利得誤差を示す。

関連論文リスト

DINO as a von Mises-Fisher mixture model [15.524425102344784]
DINO は von Mises-Fisher 成分の混合モデルとして解釈できることを示す。本稿では,クラスタ割り当て確率を計算する際に,適切な正規化定数を追加するDINO-vMFを提案する。混合モデルのさらなる柔軟性は、画像表現の改善の観点から有益であることを示す。
論文参考訳（メタデータ） (2024-05-17T17:49:45Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
Efficient Collaborations through Weight-Driven Coalition Dynamics in Federated Learning Systems [2.689009690632217]
本稿では, デバイスモデル重み間のユークリッド距離を利用して, 類似点と相違点を評価できるフェデレート学習モデルを提案する。これは我々のシステムの基本であり、モデル重量の密接度に基づくデバイス間の連立の形成を指示する。数値的な結果は、IoTベースの機械学習のための構造化された、高性能で、通信効率のよいモデルを提供することの可能性を実証している。
論文参考訳（メタデータ） (2024-01-22T20:50:01Z)
Self-Normalizing Neural Network, Enabling One Shot Transfer Learning for Modeling EDFA Wavelength Dependent Gain [10.342616156926987]
本稿では、半教師付き自己正規化ニューラルネットワークに基づいて、複数のEDFAの波長依存性の利得をモデル化する新しいMLフレームワークを提案する。オープンアイルランドおよびCOSMOSテストベッドにおける22のEDFA実験は、異なるアンプタイプで操作しても高精度なトランスファー学習を示す。
論文参考訳（メタデータ） (2023-08-04T10:17:25Z)
Federated Model Aggregation via Self-Supervised Priors for Highly Imbalanced Medical Image Classification [31.633870207003092]
本稿では,公用自己監督型補助ネットワークを用いたクライアント間クラス間変動について検討する。我々は,グローバルモデル最適化を導くために,自己教師付き事前制御による動的バランスの取れたモデルアグリゲーションを導出する。
論文参考訳（メタデータ） (2023-07-27T15:52:18Z)
Machine Fault Classification using Hamiltonian Neural Networks [1.376408511310322]
センサ計測から推定される全エネルギー信号に基づいて, 回転機械の故障を分類するための新しい手法が導入された。全体的な目標は、ブラックボックスモデルの使用を超えて、機械システムの振る舞いを管理するための追加の物理的制約を組み込むことである。
論文参考訳（メタデータ） (2023-01-04T19:07:01Z)
Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文参考訳（メタデータ） (2021-10-07T11:58:35Z)
MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文参考訳（メタデータ） (2021-10-05T02:14:38Z)
Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文参考訳（メタデータ） (2020-10-27T17:54:12Z)
Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-26T14:37:51Z)
The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文参考訳（メタデータ） (2020-06-22T16:43:35Z)

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。