論文の概要: Transfer Learning for Future Wireless Networks: A Comprehensive Survey
- arxiv url: http://arxiv.org/abs/2102.07572v1
- Date: Mon, 15 Feb 2021 14:19:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:19:15.905414
- Title: Transfer Learning for Future Wireless Networks: A Comprehensive Survey
- Title（参考訳）: 将来の無線ネットワークにおける転送学習:包括的調査
- Authors: Cong T. Nguyen, Nguyen Van Huynh, Nam H. Chu, Yuris Mulya Saputra,
Dinh Thai Hoang, Diep N. Nguyen, Quoc-Viet Pham, Dusit Niyato, Eryk
Dutkiewicz and Won-Joo Hwang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 49.746711269488515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With outstanding features, Machine Learning (ML) has been the backbone of
numerous applications in wireless networks. However, the conventional ML
approaches have been facing many challenges in practical implementation, such
as the lack of labeled data, the constantly changing wireless environments, the
long training process, and the limited capacity of wireless devices. These
challenges, if not addressed, will impede the effectiveness and applicability
of ML in future wireless networks. To address these problems, Transfer Learning
(TL) has recently emerged to be a very promising solution. The core idea of TL
is to leverage and synthesize distilled knowledge from similar tasks as well as
from valuable experiences accumulated from the past to facilitate the learning
of new problems. Doing so, TL techniques can reduce the dependence on labeled
data, improve the learning speed, and enhance the ML methods' robustness to
different wireless environments. This article aims to provide a comprehensive
survey on applications of TL in wireless networks. Particularly, we first
provide an overview of TL including formal definitions, classification, and
various types of TL techniques. We then discuss diverse TL approaches proposed
to address emerging issues in wireless networks. The issues include spectrum
management, localization, signal recognition, security, human activity
recognition and caching, which are all important to next-generation networks
such as 5G and beyond. Finally, we highlight important challenges, open issues,
and future research directions of TL in future wireless networks.
- Abstract（参考訳）: 優れた機能を持つ機械学習(ML)は、無線ネットワークにおける多くのアプリケーションのバックボーンとなっている。
しかし、従来のMLアプローチは、ラベル付きデータの欠如、絶えず変化する無線環境、長いトレーニングプロセス、無線機器の限られた容量など、実践的な実装において多くの課題に直面している。
これらの課題は、対処されなければ、将来の無線ネットワークにおけるMLの有効性と適用可能性を妨げることになる。
これらの問題に対処するため、Transfer Learning (TL) は、最近非常に有望なソリューションとして現れました。
TLのコアとなるアイデアは、過去に蓄積された貴重な経験だけでなく、同様のタスクから蒸留した知識を活用・合成し、新しい問題の学習を容易にすることです。
これにより、TL技術はラベル付きデータへの依存を減らし、学習速度を改善し、異なる無線環境に対するMLメソッドの堅牢性を高めることができる。
本稿では,無線ネットワークにおけるTLの適用に関する総合的な調査を行う。
特に, 形式定義, 分類, 各種TL技術など, TLの概要について概説する。
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。
問題となるのは、スペクトル管理、ローカライゼーション、信号認識、セキュリティ、人間のアクティビティ認識、キャッシングなどだ。
最後に,今後の無線ネットワークにおけるTLの課題,オープンな課題,今後の研究方向性について述べる。
関連論文リスト
- WirelessLLM: Empowering Large Language Models Towards Wireless Intelligence [16.722524706176767]
大規模言語モデル(LLM)は、無線通信システムに革命をもたらす可能性への関心を喚起している。
無線システム用LLMの既存の研究は、通信言語理解の直接的な応用に限られている。
本稿では,無線通信ネットワークのユニークな課題と要件に対処するため,LLMの適応と拡張のための総合的なフレームワークである WirelessLLM を提案する。
論文 参考訳（メタデータ） (2024-05-27T11:18:25Z) - 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) - Transfer Learning as an Essential Tool for Digital Twins in Renewable
Energy Systems [0.0]
デジタル双生児や他のインテリジェントシステムは、以前得られた知識を利用し、より自立的な方法で新しいタスクを解決するためにTLを利用する必要がある。
本稿では,再生可能エネルギーシステムにおける電力予測と異常検出における重要な課題について述べる。
これらの課題に対処する潜在的なTLフレームワークが提案されている。
論文 参考訳（メタデータ） (2022-03-09T19:59:56Z) - 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) - Distributed Machine Learning for Wireless Communication Networks:
Techniques, Architectures, and Applications [1.647426214278143]
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。
論文 参考訳（メタデータ） (2020-12-02T19:53:32Z) - Communicate to Learn at the Edge [21.673987528292773]
機械学習技術は、多くの新しいサービスやビジネスを可能にするだけでなく、技術的な課題や研究課題も生み出す。
MLアルゴリズムの成功に重要な2つの要因は、大量のデータと処理能力である。
本稿では,エッジ学習の訓練段階と推論段階の両方において,共同コミュニケーションと学習パラダイムを論じる。
論文 参考訳（メタデータ） (2020-09-28T12:33:31Z) - 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) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳（メタデータ） (2020-08-06T12:37:14Z) - 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。