論文の概要: Deep Neural Mobile Networking
- arxiv url: http://arxiv.org/abs/2011.05267v1
- Date: Fri, 23 Oct 2020 09:23:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 00:22:37.997754
- Title: Deep Neural Mobile Networking
- Title（参考訳）: ディープニューラル・モバイル・ネットワーク
- Authors: Chaoyun Zhang
- Abstract要約: この論文は、ディープニューラルネットワークの最近の進歩を活用して、モバイルネットワーク領域における重要な問題に対処する。
ディープラーニングベースのソリューションは、人間の専門知識なしに、生データから機能を自動的に抽出することができる。
- 参考スコア（独自算出の注目度）: 2.566129836901404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The next generation of mobile networks is set to become increasingly complex,
as these struggle to accommodate tremendous data traffic demands generated by
ever-more connected devices that have diverse performance requirements in terms
of throughput, latency, and reliability. This makes monitoring and managing the
multitude of network elements intractable with existing tools and impractical
for traditional machine learning algorithms that rely on hand-crafted feature
engineering. In this context, embedding machine intelligence into mobile
networks becomes necessary, as this enables systematic mining of valuable
information from mobile big data and automatically uncovering correlations that
would otherwise have been too difficult to extract by human experts. In
particular, deep learning based solutions can automatically extract features
from raw data, without human expertise. The performance of artificial
intelligence (AI) has achieved in other domains draws unprecedented interest
from both academia and industry in employing deep learning approaches to
address technical challenges in mobile networks. This thesis attacks important
problems in the mobile networking area from various perspectives by harnessing
recent advances in deep neural networks.
- Abstract（参考訳）: 次世代のモバイルネットワークは、スループット、レイテンシ、信頼性の点でさまざまなパフォーマンス要件を持つ、より接続されたデバイスが生み出す膨大なデータトラフィックの需要に対応するために、ますます複雑化する。
これにより、既存のツールと手作りの機能エンジニアリングに依存する従来の機械学習アルゴリズムでは、さまざまなネットワーク要素の監視と管理が不可能になる。
このような状況下では,モバイルネットワークにマシンインテリジェンスを組み込む必要がある。これは,モバイルビッグデータから貴重な情報を体系的にマイニングし,人手による抽出が困難であったような相関関係の自動発見を可能にするためである。
特にディープラーニングベースのソリューションは、人間の専門知識なしに、生データから自動的に特徴を抽出することができる。
人工知能(AI)の他の分野でのパフォーマンスは、モバイルネットワークの技術的な課題に対処するためにディープラーニングアプローチを採用する際に、学界と産業の両方から前例のない関心を集めている。
この論文は、ディープニューラルネットワークの最近の進歩を利用して、モバイルネットワーク分野の重要な問題を様々な観点から攻撃している。
関連論文リスト
- Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳（メタデータ） (2023-09-23T00:05:39Z) - Vision Paper: Causal Inference for Interpretable and Robust Machine
Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。
ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。
このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文 参考訳（メタデータ） (2022-10-18T17:28:58Z) - 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) - A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。
ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。
現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。
本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
論文 参考訳（メタデータ） (2022-04-26T17:00:07Z) - Machine Learning Empowered Intelligent Data Center Networking: A Survey [35.55535885962517]
本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。
フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。
我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
論文 参考訳（メタデータ） (2022-02-28T05:27:22Z) - Pervasive AI for IoT Applications: Resource-efficient Distributed
Artificial Intelligence [45.076180487387575]
人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。
これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。
広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
論文 参考訳（メタデータ） (2021-05-04T23:42:06Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-03-31T15:14:39Z) - Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。
大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。
まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。
次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
論文 参考訳（メタデータ） (2021-03-10T20:10:53Z) - Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。
これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。
以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文 参考訳（メタデータ） (2021-02-22T17:33:51Z) - Trends and Advancements in Deep Neural Network Communication [20.20847220414994]
本稿では,機械学習とコミュニケーションの交差点における新しい研究分野における最近の進歩と課題について概説する。
データに対する知性”をもたらす新しいアプローチは、従来のクラウドソリューションよりも多くのメリットがあります。
論文 参考訳（メタデータ） (2020-03-06T17:34:15Z) - Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。
このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。
AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
論文 参考訳（メタデータ） (2020-02-22T09:27:55Z)
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。