論文の概要: Data Sharing and Compression for Cooperative Networked Control

• arxiv url: http://arxiv.org/abs/2109.14675v1
• Date: Wed, 29 Sep 2021 19:14:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-02 09:52:07.269585
• Title: Data Sharing and Compression for Cooperative Networked Control
• Title（参考訳）: 協調ネットワーク制御のためのデータ共有と圧縮
• Authors: Jiangnan Cheng, Marco Pavone, Sachin Katti, Sandeep Chinchali, Ao Tang
• Abstract要約: 本稿では,モジュール型コントローラのタスク目標と協調設計した,簡潔で高圧縮な予測を学習するためのソリューションを提案する。 実セル,IoT(Internet-of-Things),電力負荷データを用いたシミュレーションでは,モデル予測コントローラの性能を少なくとも25%向上すると同時に,競合する手法よりも80%低いデータを送信できることが示されている。
• 参考スコア（独自算出の注目度）: 28.19172672710827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sharing forecasts of network timeseries data, such as cellular or electricity load patterns, can improve independent control applications ranging from traffic scheduling to power generation. Typically, forecasts are designed without knowledge of a downstream controller's task objective, and thus simply optimize for mean prediction error. However, such task-agnostic representations are often too large to stream over a communication network and do not emphasize salient temporal features for cooperative control. This paper presents a solution to learn succinct, highly-compressed forecasts that are co-designed with a modular controller's task objective. Our simulations with real cellular, Internet-of-Things (IoT), and electricity load data show we can improve a model predictive controller's performance by at least $25\%$ while transmitting $80\%$ less data than the competing method. Further, we present theoretical compression results for a networked variant of the classical linear quadratic regulator (LQR) control problem.
• Abstract（参考訳）: セルラーや電力負荷パターンなどのネットワークタイムリーデータの共有予測は、トラフィックスケジューリングから発電まで、独立した制御アプリケーションを改善することができる。 通常、予測は下流コントローラのタスク目標を知らずに設計され、したがって平均予測誤差を最適化する。 しかし、このようなタスクに依存しない表現は、しばしば通信網を流れるには大きすぎるため、協調制御のための健全な時間的特徴を強調しない。 本稿では,モジュール型コントローラのタスク目標と協調設計した,簡潔で圧縮性の高い予測手法を提案する。 実セルラー、iot(internet-of-things)、電力負荷データを用いたシミュレーションでは、モデル予測コントローラの性能を少なくとも25-%$で向上させながら、競合メソッドよりも80-%少ないデータを送信することができる。 さらに,古典線形二次レギュレータ(lqr)制御問題のネットワーク型に対する理論的圧縮結果を示す。

関連論文リスト

• Reservoir computing for system identification and predictive control with limited data [3.1484174280822845]
  我々は、ベンチマーク制御システムの力学を学習し、モデル予測制御(MPC)の代理モデルとして機能するRNN変種の評価を行う。 エコー状態ネットワーク(ESN)は、計算複雑性の低減、より有効な予測時間、MPC目的関数のコスト削減など、競合するアーキテクチャよりも様々な利点がある。
  論文  参考訳（メタデータ） (2024-10-23T21:59:07Z)
• Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
  無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。 本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。 本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-15T06:28:21Z)
• GRLinQ: An Intelligent Spectrum Sharing Mechanism for Device-to-Device Communications with Graph Reinforcement Learning [36.37521131173745]
  通信におけるデバイス・ツー・デバイス(D2D)スペクトルの共有は、非無線最適化の問題である。 リンクのためのグラフ強化学習を用いた新しいモデル/データ駆動型スペクトル共有機構(GRLinQ)を提案する。 GRLinQは、既存のモデルベースのリンクスケジューリングおよび/または電力制御方法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-18T07:39:01Z)
• Time-Series JEPA for Predictive Remote Control under Capacity-Limited Networks [31.408649975934008]
  時系列共同埋め込み予測アーキテクチャ(TSEPA)とセマンティックアクターは、自己指導型学習を通じて訓練された。 本稿では,TSEPA(Time-Series Joint Embedding Predictive Architecture)と,自己指導型学習を通じて訓練された意味的アクターを提案する。
  論文  参考訳（メタデータ） (2024-06-07T11:35:15Z)
• Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
  フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。 本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T07:25:21Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Cross-network transferable neural models for WLAN interference estimation [8.519313977400735]
  本稿では,ロバストネスにおける干渉推定の原理的アプローチを採用する。 まず、実データを使って影響する要因を識別し、関連する一連の合成ワークロードを導出します。 当然のことながら、Graph Conalvolution Networks(GCNs)が全体的なパフォーマンスで最高のものになっている。
  論文  参考訳（メタデータ） (2022-11-25T11:01:43Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Communication Topology Co-Design in Graph Recurrent Neural Network Based Distributed Control [4.492630871726495]
  分散コントローラのコンパクトかつ表現力のあるグラフ繰り返しニューラルネットワーク(GRNN)パラメータ化について紹介する。 提案されたパラメータ化は,従来のGNN(Graph Neural Network)ベースのパラメータ化に類似した,ローカルおよび分散アーキテクチャである。 本研究では,性能/通信密度のトレードオフ曲線を効率よく近似できることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:30:02Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)

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。