Fugu-MT 論文翻訳(概要): GymD2D: A Device-to-Device Underlay Cellular Offload Evaluation Platform

論文の概要: GymD2D: A Device-to-Device Underlay Cellular Offload Evaluation Platform

arxiv url: http://arxiv.org/abs/2101.11188v1
Date: Wed, 27 Jan 2021 03:50:22 GMT
ステータス: 処理完了
システム内更新日: 2021-03-13 23:40:04.688883
Title: GymD2D: A Device-to-Device Underlay Cellular Offload Evaluation Platform
Title（参考訳）: GymD2D: デバイスからデバイスへのアンダーレイセルオフロード評価プラットフォーム
Authors: David Cotton, Zenon Chaczko
Abstract要約: GymD2Dはデバイス間通信における物理層リソース割り当て問題の実験フレームワークである。ユーザは、さまざまなセルラーオフロードシナリオをシミュレートし、その動作を拡張して研究ニーズを満たすことができる。我々はGymD2Dを最先端の深層強化学習で評価し、これらのアルゴリズムが大幅な効率改善をもたらすことを示す。
参考スコア（独自算出の注目度）: 1.5863809575305414
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cellular offloading in device-to-device communication is a challenging optimisation problem in which the improved allocation of radio resources can increase spectral efficiency, energy efficiency, throughout and reduce latency. The academic community have explored different optimisation methods on these problems and initial results are encouraging. However, there exists significant friction in the lack of a simple, configurable, open-source framework for cellular offload research. Prior research utilises a variety of network simulators and system models, making it difficult to compare results. In this paper we present GymD2D, a framework for experimentation with physical layer resource allocation problems in device-to-device communication. GymD2D allows users to simulate a variety of cellular offload scenarios and to extend its behaviour to meet their research needs. GymD2D provides researchers an evaluation platform to compare, share and build upon previous research. We evaluated GymD2D with state-of-the-art deep reinforcement learning and demonstrate these algorithms provide significant efficiency improvements.
Abstract（参考訳）: デバイス間通信におけるセルオフロードは、無線リソースの割り当ての改善によりスペクトル効率、エネルギー効率が向上し、レイテンシーを低減できるという、困難な最適化問題である。学術コミュニティはこれらの問題に対する様々な最適化手法を探求し、最初の成果が奨励されている。しかし、セルラーオフロード研究のためのシンプルで構成可能なオープンソースのフレームワークがないことには大きな摩擦がある。先行研究は様々なネットワークシミュレータとシステムモデルを利用しており、結果の比較が困難である。本稿では,デバイス間通信における物理層資源割り当て問題の実験フレームワークであるGymD2Dを提案する。 GymD2Dを使用すると、さまざまなセルラーオフロードシナリオをシミュレートし、研究ニーズに合わせて行動を拡張することができます。 GymD2Dは、これまでの研究を比較、共有、構築するための評価プラットフォームを提供する。 gymd2dを最先端の深層強化学習で評価し,これらのアルゴリズムが大幅な効率向上をもたらすことを実証した。

関連論文リスト

Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
Generalization of Fitness Exercise Recognition from Doppler Measurements by Domain-adaption and Few-Shot Learning [12.238586191793997]
以前の研究では、未修正の市販オフザシェルフスマートフォンを使用して、全身運動を認識するモバイルアプリケーションを開発した。このような実験室環境のトレーニングされたモデルを現実的なアプリケーションのバリエーションに適用することは、パフォーマンスを著しく低下させます。本稿では、フィットネスエクササイズの制御および制御されていないサブセットを持つデータベースを提案する。
論文参考訳（メタデータ） (2023-11-20T16:40:48Z)
DLAS: An Exploration and Assessment of the Deep Learning Acceleration Stack [3.7873597471903935]
私たちはDeep Learning Acceleration Stack (DLAS)で機械学習とシステム技術を組み合わせています。 2つのデータセット間でDLASのパラメータが異なる場合の精度と推定時間への影響を評価した。全体として、圧縮技術によって提供されるスピードアップは、非常にハードウェアに依存している。
論文参考訳（メタデータ） (2023-11-15T12:26:31Z)
Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文参考訳（メタデータ） (2023-10-21T12:07:04Z)
Energy Minimization for Federated Asynchronous Learning on Battery-Powered Mobile Devices via Application Co-running [14.169614178617664]
エネルギーは必須だが、大規模な連合システムでは忘れられることが多い。本稿では,フェデレートトレーニングの非同期実行とアプリケーション協調実行を接続することで,オンライン最適化フレームワークの設計と実装を行う。実験により、オンライン最適化フレームワークは、以前のスキームの3倍の収束速度で60%以上のエネルギーを節約できることが示された。
論文参考訳（メタデータ） (2022-04-29T04:34:06Z)
Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文参考訳（メタデータ） (2021-11-26T18:44:59Z)
PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文参考訳（メタデータ） (2021-04-07T17:59:23Z)
To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文参考訳（メタデータ） (2020-12-22T02:54:18Z)
Learning Centric Wireless Resource Allocation for Edge Computing: Algorithm and Experiment [15.577056429740951]
Edge Intelligenceは、センサー、通信、コンピューティングコンポーネントを統合し、さまざまな機械学習アプリケーションをサポートする、新興ネットワークアーキテクチャである。既存の方法は2つの重要な事実を無視している: 1) 異なるモデルがトレーニングデータに不均一な要求を持っている; 2) シミュレーション環境と実環境との間にはミスマッチがある。本稿では,複数のタスクの最悪の学習性能を最大化する学習中心の無線リソース割り当て方式を提案する。
論文参考訳（メタデータ） (2020-10-29T06:20:40Z)
A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
同変ニューラルネットワークは深層学習コミュニティへの関心を高めています医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
論文参考訳（メタデータ） (2020-04-21T00:49:11Z)
MDLdroid: a ChainSGD-reduce Approach to Mobile Deep Learning for Personal Mobile Sensing [14.574274428615666]
デバイス上でのディープラーニングの実行には、データのプライバシ保護や、モデルの堅牢性とアップデートの両方に対する低レイテンシ応答など、いくつかのメリットがある。パーソナルモバイルセンシングアプリケーションは、主にユーザ固有であり、環境の影響を受けやすい。我々は,デバイス上での協調学習を実現するために,新たな分散モバイルディープラーニングフレームワークであるMDLdroidを提案する。
論文参考訳（メタデータ） (2020-02-07T16:55:21Z)

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。