論文の概要: Towards Self-learning Edge Intelligence in 6G

• arxiv url: http://arxiv.org/abs/2010.00176v1
• Date: Thu, 1 Oct 2020 02:16:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 08:27:53.874851
• Title: Towards Self-learning Edge Intelligence in 6G
• Title（参考訳）: 6gにおける自己学習エッジインテリジェンスに向けて
• Authors: Yong Xiao and Guangming Shi and Yingyu Li and Walid Saad and H. Vincent Poor
• Abstract要約: エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
• 参考スコア（独自算出の注目度）: 143.1821636135413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge intelligence, also called edge-native artificial intelligence (AI), is an emerging technological framework focusing on seamless integration of AI, communication networks, and mobile edge computing. It has been considered to be one of the key missing components in the existing 5G network and is widely recognized to be one of the most sought-after functions for tomorrow's wireless 6G cellular systems. In this article, we identify the key requirements and challenges of edge-native AI in 6G. A self-learning architecture based on self-supervised Generative Adversarial Nets (GANs) is introduced to \blu{demonstrate the potential performance improvement that can be achieved by automatic data learning and synthesizing at the edge of the network}. We evaluate the performance of our proposed self-learning architecture in a university campus shuttle system connected via a 5G network. Our result shows that the proposed architecture has the potential to identify and classify unknown services that emerge in edge computing networks. Future trends and key research problems for self-learning-enabled 6G edge intelligence are also discussed.
• Abstract（参考訳）: エッジインテリジェンス(Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 既存の5Gネットワークで欠落している重要なコンポーネントの1つと考えられており、明日の無線6Gセルシステムにとって最も望まれる機能の1つと広く認識されている。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。 blu{demonstratate the potential performance improvement that can be done by automatic data learning and synthesizing at the edge} では,自己教師付き生成敵ネット(gans)に基づく自己学習アーキテクチャを導入する。 5Gネットワークを介して接続された大学キャンパスシャトルシステムにおける自己学習アーキテクチャの性能評価を行った。 その結果,提案アーキテクチャはエッジコンピューティングネットワークに出現する未知のサービスを識別し,分類する可能性を示唆している。 自己学習可能な6Gエッジインテリジェンスの将来動向と重要な研究課題についても論じる。

関連論文リスト

• Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End Collaboration [56.330705072736166]
  基礎モデルに基づく6GネイティブAIフレームワークを提案し、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。 実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• Large Language Models Empowered Autonomous Edge AI for Connected Intelligence [51.269276328087855]
  エッジ人工知能(Edge AI)は、コネクテッドインテリジェンスを実現するための有望なソリューションである。 この記事では、ユーザのさまざまな要件を満たすために自動的に組織化し、適応し、最適化する、自律的なエッジAIシステムのビジョンを示す。
  論文  参考訳（メタデータ） (2023-07-06T05:16:55Z)
• Optimization Design for Federated Learning in Heterogeneous 6G Networks [27.273745760946962]
  フェデレーテッド・ラーニング(FL)は、6GネットワークでユビキタスAIを実現するための重要な実現手段として期待されている。 6Gネットワークにおける有効かつ効率的なFL実装には、いくつかのシステムおよび統計的不均一性の課題がある。 本稿では,これらの課題に効果的に対処できる最適化手法について検討する。
  論文  参考訳（メタデータ） (2023-03-15T02:18:21Z)
• Holistic Network Virtualization and Pervasive Network Intelligence for 6G [14.35331138476144]
  ネットワークアーキテクチャの進化と展望を考察し,第6世代(6G)ネットワークのための新しい概念アーキテクチャを提案する。 提案したアーキテクチャは2つの鍵となる要素、すなわち全体論的ネットワーク仮想化と広範人工知能(AI)を持つ。 我々は6Gの潜在的なアーキテクチャに関するさらなる議論と開発を刺激することを目指している。
  論文  参考訳（メタデータ） (2023-01-02T04:15:33Z)
• In-situ Model Downloading to Realize Versatile Edge AI in 6G Mobile Networks [61.416494781759326]
  In-situモデルダウンロードは、ネットワーク内のAIライブラリからダウンロードすることで、デバイス上のAIモデルを透過的でリアルタイムに置き換えることを目的としている。 提示されたフレームワークの重要なコンポーネントは、ダウンロードされたモデルを深さレベル、パラメータレベル、ビットレベルで動的に圧縮する一連のテクニックである。 我々は,3層(エッジ,ローカル,中央)AIライブラリのキー機能を備えた,インサイトモデルダウンロードのデプロイ用にカスタマイズされた6Gネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T13:41:15Z)
• Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and Applications [39.223546118441476]
  6Gはワイヤレスの進化を「コネクテッドモノ」から「コネクテッドインテリジェンス」に変革する ディープラーニングとビッグデータ分析に基づくAIシステムは、膨大な計算と通信資源を必要とする。 エッジAIは、センサー、通信、計算、インテリジェンスをシームレスに統合する6Gの破壊的技術として際立っている。
  論文  参考訳（メタデータ） (2021-11-24T11:47:16Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  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。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• Federated Learning for 6G Communications: Challenges, Methods, and Future Directions [71.31783903289273]
  6Gとフェデレーション学習の統合を導入し、6Gのための潜在的なフェデレーション学習アプリケーションを提供する。 6G通信の文脈において,重要な技術的課題,それに対応するフェデレーション学習手法,および今後のフェデレーション学習研究のためのオープンな課題について述べる。
  論文  参考訳（メタデータ） (2020-06-04T15:17:19Z)
• 6G White Paper on Edge Intelligence [28.854456451854546]
  私たちは、エッジコンピューティングインフラストラクチャとプラットフォーム、データとエッジネットワーク管理、エッジのためのソフトウェア開発、セキュリティ、プライバシ、価格、エンドユーザの側面とともに、ML/AIアルゴリズムのリアルタイムおよび分散トレーニングに重点を置いています。 我々は、モノのインターネットからインテリジェントモノのインテリジェントインターネットへの移行を想定し、6Gインテリジェントエッジの開発ロードマップを提供する。
  論文  参考訳（メタデータ） (2020-04-30T15:02:08Z)

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。