論文の概要: Distributed Machine Learning for Wireless Communication Networks:
Techniques, Architectures, and Applications
- arxiv url: http://arxiv.org/abs/2012.01489v1
- Date: Wed, 2 Dec 2020 19:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:50:50.741662
- Title: Distributed Machine Learning for Wireless Communication Networks:
Techniques, Architectures, and Applications
- Title（参考訳）: 無線通信ネットワークのための分散機械学習:技術、アーキテクチャ、応用
- Authors: S. Hu, X. Chen, W. Ni, E. Hossain, and X. Wang
- Abstract要約: 分散機械学習(DML)技術は、無線通信にますます応用されている。
大規模、地理的に分散したデプロイメント、ユーザモビリティ、大量のデータなど、無線システムのユニークな特徴は、DML技術の設計に新たな課題をもたらす。
この調査は、無線ネットワークに焦点をあてた、現代的で包括的なDML技術の調査を提供することによって、ギャップを埋めるものである。
- 参考スコア（独自算出の注目度）: 1.647426214278143
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distributed machine learning (DML) techniques, such as federated learning,
partitioned learning, and distributed reinforcement learning, have been
increasingly applied to wireless communications. This is due to improved
capabilities of terminal devices, explosively growing data volume, congestion
in the radio interfaces, and increasing concern of data privacy. The unique
features of wireless systems, such as large scale, geographically dispersed
deployment, user mobility, and massive amount of data, give rise to new
challenges in the design of DML techniques. There is a clear gap in the
existing literature in that the DML techniques are yet to be systematically
reviewed for their applicability to wireless systems. This survey bridges the
gap by providing a contemporary and comprehensive survey of DML techniques with
a focus on wireless networks. Specifically, we review the latest applications
of DML in power control, spectrum management, user association, and edge cloud
computing. The optimality, scalability, convergence rate, computation cost, and
communication overhead of DML are analyzed. We also discuss the potential
adversarial attacks faced by DML applications, and describe state-of-the-art
countermeasures to preserve privacy and security. Last but not least, we point
out a number of key issues yet to be addressed, and collate potentially
interesting and challenging topics for future research.
- Abstract（参考訳）: 連合学習、分割学習、分散強化学習などの分散機械学習(DML)技術は、無線通信にますます応用されている。
これは端末装置の能力の改善、爆発的に増加するデータボリューム、無線インターフェースの混雑、データのプライバシーに対する懸念の高まりによる。
大規模、地理的に分散したデプロイメント、ユーザモビリティ、大量のデータといった無線システムのユニークな特徴は、DML技術の設計に新たな課題をもたらす。
既存の文献には明らかなギャップがあり、DML技術が無線システムへの適用性について体系的にレビューされていない。
この調査は、無線ネットワークに焦点を当てたDML技術の現代的かつ包括的な調査を提供することによって、ギャップを埋めるものである。
具体的には、電力制御、スペクトル管理、ユーザアソシエーション、エッジクラウドコンピューティングにおけるDMLの最新の応用についてレビューする。
DMLの最適性、スケーラビリティ、収束率、計算コスト、通信オーバーヘッドを分析した。
また、DMLアプリケーションによる潜在的敵攻撃についても論じ、プライバシーとセキュリティを守るための最先端の対策について述べる。
最後に重要なことは、まだ解決されていない重要な問題をいくつか指摘し、将来の研究において潜在的に興味深く挑戦的なトピックをまとめる。
関連論文リスト
- Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - 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) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - An Online Ensemble Learning Model for Detecting Attacks in Wireless
Sensor Networks [0.0]
我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。
本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。
提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
論文 参考訳（メタデータ） (2022-04-28T23:10:47Z) - Federated Learning for Intrusion Detection System: Concepts, Challenges
and Future Directions [0.20236506875465865]
侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。
本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
論文 参考訳（メタデータ） (2021-06-16T13:13:04Z) - 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) - Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。
まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。
次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
論文 参考訳（メタデータ） (2021-02-15T14:19:55Z) - Wireless for Machine Learning [91.13476340719087]
我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。
文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。
このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
論文 参考訳（メタデータ） (2020-08-31T11:09:49Z) - 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。