Fugu-MT 論文翻訳(概要): Machine Learning (ML) In a 5G Standalone (SA) Self Organizing Network (SON)

論文の概要: Machine Learning (ML) In a 5G Standalone (SA) Self Organizing Network (SON)

arxiv url: http://arxiv.org/abs/2011.12288v1
Date: Tue, 24 Nov 2020 18:57:40 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 14:11:29.832703
Title: Machine Learning (ML) In a 5G Standalone (SA) Self Organizing Network (SON)
Title（参考訳）: 5Gスタンドアローン(SA)自己組織化ネットワーク(SON)における機械学習(ML)
Authors: Srinivasan Sridharan
Abstract要約: 機械学習(ML)は、運用、管理、保守(OAM)活動を強化する上で重要な要素である自己組織化ネットワーク(SON)に含まれる。この研究の主な目的は、5Gスタンドアロンコアネットワークにおける機械学習(ML)の概要である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning (ML) is included in Self-organizing Networks (SONs) that are key drivers for enhancing the Operations, Administration, and Maintenance (OAM) activities. It is included in the 5G Standalone (SA) system is one of the 5G communication tracks that transforms 4G networking to next-generation technology that is based on mobile applications. The research's main aim is to an overview of machine learning (ML) in 5G standalone core networks. 5G Standalone is considered a key enabler by the service providers as it improves the efficacy of the throughput that edges the network. It also assists in advancing new cellular use cases like ultra-reliable low latency communications (URLLC) that supports combinations of frequencies.
Abstract（参考訳）: 機械学習(ML)は、運用、管理、保守(OAM)活動を強化する上で重要な要素である自己組織化ネットワーク(SON)に含まれる。 5G Standalone (SA)システムには、4Gネットワークをモバイルアプリケーションに基づく次世代技術に変換する5G通信トラックの1つである。この研究の主な目的は、5Gスタンドアロンコアネットワークにおける機械学習(ML)の概要である。 5G Standaloneは、ネットワークをエッジにするスループットの有効性を改善するため、サービスプロバイダにとって重要なイネーブルであると考えられている。また、周波数の組み合わせをサポートするultra-reliable low latency communications (urllc)のような新しいセルラーユースケースの進行を支援する。

関連論文リスト

Towards Intent-Based Network Management: Large Language Models for Intent Extraction in 5G Core Networks [10.981422497762837]
機械学習と人工知能を第5世代(5G)ネットワークに統合することで、ネットワークインテリジェンスの限界が明らかになった。本稿では,5Gおよび次世代インテントベースネットワークのためのLLM(Large Language Model)の開発について述べる。
論文参考訳（メタデータ） (2024-03-04T17:29:57Z)
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)
AI-based Self-healing Solutions Applied to Cellular Networks: An Overview [0.0]
本稿では,セルネットワークにおけるセル障害に対する自己修復を行う機械学習(ML)手法の概要について述べる。自己修復はネットワーク管理に対する有望なアプローチであり、自律的な方法で細胞障害の検出と補償を目的としている。
論文参考訳（メタデータ） (2023-11-04T12:18:47Z)
Near Real-Time Distributed State Estimation via AI/ML-Empowered 5G Networks [1.1938918581443054]
エネルギー管理システムの重要な要素として状態推定関数に着目した。 i)グラフィカルモデルと信念伝播,およびi)グラフニューラルネットワークに基づく2つの強力な分散SE手法を比較した。
論文参考訳（メタデータ） (2022-07-22T14:48:10Z)
Machine Learning Assisted Security Analysis of 5G-Network-Connected Systems [5.918387680589584]
5Gネットワークはソフトウェア定義のインフラに移行した。ネットワーク機能仮想化やソフトウェア定義ネットワークといった新しい技術は、この移行を可能にする5Gコアネットワーク(5GCN)アーキテクチャに組み込まれている。本稿では,5GCNの総合的なセキュリティ分析フレームワークについて述べる。
論文参考訳（メタデータ） (2021-08-07T20:07:08Z)
To Talk or to Work: Energy Efficient Federated Learning over Mobile Devices via the Weight Quantization and 5G Transmission Co-Design [49.95746344960136]
Federated Learning (FL) は,モバイルデバイス間での大規模学習タスクのための新たなパラダイムである。モバイルデバイス上でFLをサポートする効果的な無線ネットワークアーキテクチャを確立する方法は不明です。我々は、異種5Gモバイル機器上でのエネルギー効率FLのための無線伝送および重み量子化協調設計を開発する。
論文参考訳（メタデータ） (2020-12-21T01:13:44Z)
Exploitation of Channel-Learning for Enhancing 5G Blind Beam Index Detection [1.9981375888949475]
本研究は,5Gセルとビームインデックス検索の性能を機械学習技術により向上させる方法について検討する。 5Gビームインデックス検出の性能を高めるために,新しいチャネル学習手法を提案し,実装する。
論文参考訳（メタデータ） (2020-12-07T12:24:32Z)
True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
論文参考訳（メタデータ） (2020-11-26T06:42:36Z)
A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence [152.89360859658296]
5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
論文参考訳（メタデータ） (2020-10-19T08:56:04Z)
Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
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。
論文参考訳（メタデータ） (2020-10-01T02:16:40Z)
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)

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。