論文の概要: A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning
- arxiv url: http://arxiv.org/abs/2009.06010v2
- Date: Wed, 20 Jan 2021 06:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 03:23:33.823878
- Title: A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning
- Title（参考訳）: 6gにおける超信頼性・低レイテンシ通信のチュートリアル:深層学習へのドメイン知識の統合
- Authors: Changyang She and Chengjian Sun and Zhouyou Gu and Yonghui Li and
Chenyang Yang and H. Vincent Poor and Branka Vucetic
- Abstract要約: 超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。
ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。
このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
- 参考スコア（独自算出の注目度）: 115.75967665222635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As one of the key communication scenarios in the 5th and also the 6th
generation (6G) of mobile communication networks, ultra-reliable and
low-latency communications (URLLC) will be central for the development of
various emerging mission-critical applications. State-of-the-art mobile
communication systems do not fulfill the end-to-end delay and overall
reliability requirements of URLLC. In particular, a holistic framework that
takes into account latency, reliability, availability, scalability, and
decision making under uncertainty is lacking. Driven by recent breakthroughs in
deep neural networks, deep learning algorithms have been considered as
promising ways of developing enabling technologies for URLLC in future 6G
networks. This tutorial illustrates how domain knowledge (models, analytical
tools, and optimization frameworks) of communications and networking can be
integrated into different kinds of deep learning algorithms for URLLC. We first
provide some background of URLLC and review promising network architectures and
deep learning frameworks for 6G. To better illustrate how to improve learning
algorithms with domain knowledge, we revisit model-based analytical tools and
cross-layer optimization frameworks for URLLC. Following that, we examine the
potential of applying supervised/unsupervised deep learning and deep
reinforcement learning in URLLC and summarize related open problems. Finally,
we provide simulation and experimental results to validate the effectiveness of
different learning algorithms and discuss future directions.
- Abstract（参考訳）: モバイル通信ネットワークの第5世代および第6世代(6G)における重要な通信シナリオのひとつとして,超信頼性・低レイテンシ通信(URLLC)が,新たなミッションクリティカルアプリケーションの開発の中心となる。
最先端のモバイル通信システムは、URLLCのエンドツーエンド遅延と全体的な信頼性要件を満たしていない。
特に、不確実性の下でのレイテンシ、信頼性、可用性、スケーラビリティ、意思決定を考慮に入れた包括的なフレームワークは欠如しています。
ディープニューラルネットワークの最近のブレークスルーによって、ディープラーニングアルゴリズムは将来の6gネットワークでurllcを実現する技術を開発するための有望な方法と見なされている。
このチュートリアルでは、通信とネットワークのドメイン知識(モデル、分析ツール、最適化フレームワーク)を、urllcのさまざまなディープラーニングアルゴリズムに統合する方法を説明します。
まず、URLLCの背景を提供し、6Gのための有望なネットワークアーキテクチャとディープラーニングフレームワークをレビューする。
ドメイン知識で学習アルゴリズムを改善する方法について、モデルベースの分析ツールとURLLCの層間最適化フレームワークを再考する。
その後,URLLCにおける教師あり/教師なしの深層学習と深部強化学習の適用の可能性を検討した。
最後に,異なる学習アルゴリズムの有効性を検証するためのシミュレーションと実験結果を提供し,今後の方向性について議論する。
関連論文リスト
- An Overview of Machine Learning-Enabled Optimization for Reconfigurable Intelligent Surfaces-Aided 6G Networks: From Reinforcement Learning to Large Language Models [16.3772708546698]
RIS支援6Gネットワークに対する機械学習(ML)対応最適化の概要について述べる。
既存の研究と異なり、大規模言語モデル(LLM)がRLとどのように組み合わせてネットワーク最適化問題に対処できるかをさらに議論する。
論文 参考訳（メタデータ） (2024-05-09T03:07:59Z) - Knowledge-Driven Deep Learning Paradigms for Wireless Network
Optimization in 6G [28.84906559528008]
知識駆動型ディープラーニングは、実証済みのドメイン知識をニューラルネットワークの構築に統合することを目的としている。
本稿では,無線ネットワークにおける知識駆動型DLの体系的レビューを行う。
論文 参考訳（メタデータ） (2024-01-15T07:47:30Z) - Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。
本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
論文 参考訳（メタデータ） (2023-10-08T08:55:03Z) - Learning State-Augmented Policies for Information Routing in
Communication Networks [92.59624401684083]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-30T04:34:25Z) - 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) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - 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) - 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。