Fugu-MT 論文翻訳(概要): Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G Handover

論文の概要: Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G Handover

arxiv url: http://arxiv.org/abs/2101.06558v2
Date: Tue, 19 Jan 2021 01:19:11 GMT
ステータス: 処理完了
システム内更新日: 2021-03-28 03:23:36.262921
Title: Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G Handover
Title（参考訳）: Deep-Mobility: 効率的で信頼性の高い5Gハンドオーバのためのディープラーニングアプローチ
Authors: Rahul Arun Paropkari, Anurag Thantharate, Cory Beard
Abstract要約: 5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。従来のハンドオーバ改善方式とは対照的に,ネットワークモビリティを管理するために,深層学習ニューラルネットワーク(DLNN)を実装した「ディープ・モビリティ」モデルを開発した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: 5G cellular networks are being deployed all over the world and this architecture supports ultra-dense network (UDN) deployment. Small cells have a very important role in providing 5G connectivity to the end users. Exponential increases in devices, data and network demands make it mandatory for the service providers to manage handovers better, to cater to the services that a user desire. In contrast to any traditional handover improvement scheme, we develop a 'Deep-Mobility' model by implementing a deep learning neural network (DLNN) to manage network mobility, utilizing in-network deep learning and prediction. We use network key performance indicators (KPIs) to train our model to analyze network traffic and handover requirements. In this method, RF signal conditions are continuously observed and tracked using deep learning neural networks such as the Recurrent neural network (RNN) or Long Short-Term Memory network (LSTM) and system level inputs are also considered in conjunction, to take a collective decision for a handover. We can study multiple parameters and interactions between system events along with the user mobility, which would then trigger a handoff in any given scenario. Here, we show the fundamental modeling approach and demonstrate usefulness of our model while investigating impacts and sensitivities of certain KPIs from the user equipment (UE) and network side.
Abstract（参考訳）: 5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。デバイス、データ、ネットワーク要求の指数的な増加は、サービスプロバイダがよりよくハンドオーバを管理し、ユーザが望むサービスに対応することを義務付ける。従来のハンドオーバ改善スキームとは対照的に,ネットワークモビリティを管理するための深層学習ニューラルネットワーク(DLNN)を実装し,ネットワーク内深層学習と予測を利用した「深層移動」モデルを開発した。ネットワークキーパフォーマンスインジケータ(kpi)を使用してモデルをトレーニングし、ネットワークトラフィックとハンドオーバ要件を分析します。本手法では、リカレントニューラルネットワーク(RNN)やLong Short-Term Memory Network(LSTM)などのディープラーニングニューラルネットワークを用いて、RF信号条件を連続的に観測・追跡し、システムレベルの入力も併用して検討し、ハンドオーバの集団決定を行う。ユーザモビリティとともに、システムイベント間の複数のパラメータとインタラクションを調査でき、任意のシナリオでハンドオフを発生させます。本稿では,ユーザ機器(UE)とネットワーク側からの特定のKPIの影響と感度を調査しながら,本モデルの基本的モデリング手法を示し,その有用性を示す。

関連論文リスト

Peer-to-Peer Learning Dynamics of Wide Neural Networks [10.179711440042123]
我々は,一般的なDGDアルゴリズムを用いて学習した広範ニューラルネットワークの学習力学を,明示的で非漸近的に特徴づける。我々は,誤りや誤りを正確に予測し,分析結果を検証した。
論文参考訳（メタデータ） (2024-09-23T17:57:58Z)
The Robustness of Spiking Neural Networks in Communication and its Application towards Network Efficiency in Federated Learning [6.9569682335746235]
スパイキングニューラルネットワーク(SNN)は最近、組み込みデバイスでのオンチップ学習に多大な関心を集めている。本稿では,フェデレートラーニングにおける雑音の多いコミュニケーション下でのSNNの本質的ロバスト性について検討する。 FLトレーニングにおける帯域幅の削減を目的とした,TopKスパシフィケーションを用いた新しいフェデレートラーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-09-19T13:37:18Z)
Towards Intelligent Network Management: Leveraging AI for Network Service Detection [0.0]
本研究では,高度なネットワークトラフィック分類システムを構築するために機械学習手法を活用することに焦点を当てた。我々は,様々なネットワークサービスタイプをリアルタイムに識別する,新しいデータ駆動型アプローチを提案する。本システムは,ネットワークサービスを識別する際,顕著な精度を示す。
論文参考訳（メタデータ） (2023-10-14T16:06:11Z)
Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文参考訳（メタデータ） (2023-06-14T01:24:42Z)
Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文参考訳（メタデータ） (2023-01-20T17:06:34Z)
Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文参考訳（メタデータ） (2022-09-26T17:59:58Z)
An NWDAF Approach to 5G Core Network Signaling Traffic: Analysis and Characterization [3.5573601621032935]
本稿では,5G Core(5GC)ネットワークとNetwork Data Analytics Function(NWDAF)の動作システムプロトタイプの実証に焦点をあてる。ネットワーク生成データの解析は、教師なし学習、クラスタリングを通じてネットワーク内相互作用の中核を探索し、これらの結果を将来の機会と作業の洞察として評価する。
論文参考訳（メタデータ） (2022-09-21T15:21:59Z)
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)
Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文参考訳（メタデータ） (2022-08-17T02:01:18Z)
Dynamic Graph Neural Network for Traffic Forecasting in Wide Area Networks [1.0934800950965335]
我々は,マルチステップネットワークトラフィック予測のための非自動グラフベースニューラルネットワークを開発した。我々は,米国エネルギー省の専用科学ネットワークESnetの実際のトラフィックに対するアプローチの有効性を評価する。
論文参考訳（メタデータ） (2020-08-28T17:47:11Z)
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。