論文の概要: Federated Dynamic Spectrum Access
- arxiv url: http://arxiv.org/abs/2106.14976v1
- Date: Mon, 28 Jun 2021 20:49:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 15:19:43.965854
- Title: Federated Dynamic Spectrum Access
- Title（参考訳）: フェデレーション動的スペクトルアクセス
- Authors: Yifei Song, Hao-Hsuan Chang, Zhou Zhou, Shashank Jere and Lingjia Liu
- Abstract要約: 動的スペクトラムアクセス(DSA)タスクのためのフェデレートラーニング(FL)ベースのフレームワークを提案する。
FLは、異種データ分散下でネットワーク端末のプライバシを保護できる分散機械学習フレームワークである。
- 参考スコア（独自算出の注目度）: 29.302039892247787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the growing volume of data traffic produced by the surge of Internet
of Things (IoT) devices, the demand for radio spectrum resources is approaching
their limitation defined by Federal Communications Commission (FCC). To this
end, Dynamic Spectrum Access (DSA) is considered as a promising technology to
handle this spectrum scarcity. However, standard DSA techniques often rely on
analytical modeling wireless networks, making its application intractable in
under-measured network environments. Therefore, utilizing neural networks to
approximate the network dynamics is an alternative approach. In this article,
we introduce a Federated Learning (FL) based framework for the task of DSA,
where FL is a distributive machine learning framework that can reserve the
privacy of network terminals under heterogeneous data distributions. We discuss
the opportunities, challenges, and opening problems of this framework. To
evaluate its feasibility, we implement a Multi-Agent Reinforcement Learning
(MARL)-based FL as a realization associated with its initial evaluation
results.
- Abstract（参考訳）: モノのインターネット(IoT)デバイスの急増によって発生するデータトラフィックの増加により、無線スペクトルリソースの需要は連邦通信委員会(FCC)によって定義された制限に近づいている。
この目的のために、ダイナミックスペクトラムアクセス(DSA)は、このスペクトル不足を処理するための有望な技術であると考えられている。
しかし、標準的なDSA技術は、しばしば無線ネットワークを解析的にモデル化することに依存しており、そのアプリケーションは測定不足のネットワーク環境では難解である。
したがって、ニューラルネットワークを利用してネットワーク力学を近似するアプローチが代替となる。
本稿では,DSAのタスクのためのフェデレートラーニング(FL)ベースのフレームワークを紹介する。FLは異種データ分散下でネットワーク端末のプライバシを保護できる分散機械学習フレームワークである。
我々は,この枠組みの機会,課題,および課題について論じる。
その実現可能性を評価するために,マルチエージェント強化学習(marl)ベースのflを初期評価結果と関連づけた実現法として実装する。
関連論文リスト
- Federated Learning for UAV-Based Spectrum Sensing: Enhancing Accuracy Through SNR-Weighted Model Aggregation [0.0]
無人航空機(UAV)ネットワークは、3D空間、その課題、そして機会に関して異なる視点を必要とする。
本稿では,その分散特性と計算能力の制限を考慮した,UAVネットワークにおけるスペクトルセンシングのためのFLに基づく手法を提案する。
我々はまた、UAVが観測した信号と雑音の比率を考慮し、グローバルモデルを得るフェデレーションアグリゲーション手法、すなわちFedSNRを開発した。
論文 参考訳（メタデータ） (2024-11-17T19:24:49Z) - 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) - The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。
現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。
本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
論文 参考訳（メタデータ） (2023-10-06T04:13:10Z) - Decentralized Learning over Wireless Networks: The Effect of Broadcast
with Random Access [56.91063444859008]
本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。
この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
論文 参考訳（メタデータ） (2023-05-12T10:32:26Z) - Distributed Learning Meets 6G: A Communication and Computing Perspective [24.631203542364908]
Federated Learning (FL) は、著名な無線アプリケーションで選択されるDLアーキテクチャとして登場した。
実例として、FLフレームワークにMARL(Multi-Agent Reinforcement Learning)を適用し、動的スペクトルアクセス(DSA)問題に適用する。
6GネットワークにDLアプローチを適用する際の最新の課題も強調されている。
論文 参考訳（メタデータ） (2023-03-02T15:15:33Z) - CFLIT: Coexisting Federated Learning and Information Transfer [18.30671838758503]
本研究では,モバイルエッジネットワークにおける無線放送と従来型情報伝達(IT)の共存性について検討する。
FLとITデバイスがOFDMシステムで無線スペクトルを共有するCFLIT(Commanded Learning and Information Transfer)通信フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-26T13:17:28Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Cooperative Multi-Agent Reinforcement Learning Based Distributed Dynamic
Spectrum Access in Cognitive Radio Networks [46.723006378363785]
ダイナミックスペクトルアクセス(DSA)は、非効率的なスペクトル利用の問題を改善するための、有望なパラダイムである。
本稿では,一般的な認知無線ネットワークにおけるマルチユーザに対する分散DSA問題について検討する。
我々は、各認知ユーザに対する状態の部分的観測可能性に対処するために、DRQN(Deep Recurrent Q-network)を用いている。
論文 参考訳（メタデータ） (2021-06-17T06:52:21Z) - 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) - 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。