論文の概要: DFTS2: Simulating Deep Feature Transmission Over Packet Loss Channels
- arxiv url: http://arxiv.org/abs/2112.00794v1
- Date: Wed, 1 Dec 2021 19:34:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-04 10:58:43.483138
- Title: DFTS2: Simulating Deep Feature Transmission Over Packet Loss Channels
- Title(参考訳): DFTS2: パケット損失チャネル上での深い特徴伝達のシミュレーション
- Authors: Ashiv Dhondea, Robert A. Cohen, Ivan V. Baji\'c
- Abstract要約: エッジクラウドコラボレーティブインテリジェンス(CI)では、推論を行うAIモデルの情報パスに信頼できない送信チャネルが存在する。
システム動作を理解し、適切なエラー制御戦略を開発するためには、CIシステムのパフォーマンスを不完全なチャネルでシミュレートできることが重要です。
- 参考スコア(独自算出の注目度): 24.192504570921624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In edge-cloud collaborative intelligence (CI), an unreliable transmission
channel exists in the information path of the AI model performing the
inference. It is important to be able to simulate the performance of the CI
system across an imperfect channel in order to understand system behavior and
develop appropriate error control strategies. In this paper we present a
simulation framework called DFTS2, which enables researchers to define the
components of the CI system in TensorFlow~2, select a packet-based channel
model with various parameters, and simulate system behavior under various
channel conditions and error/loss control strategies. Using DFTS2, we also
present the most comprehensive study to date of the packet loss concealment
methods for collaborative image classification models.
- Abstract(参考訳): エッジクラウドコラボレーティブインテリジェンス(CI)では、推論を行うAIモデルの情報パスに信頼できない送信チャネルが存在する。
システム動作を理解し,適切なエラー制御戦略を開発するためには,不完全なチャネルを越えたciシステムのパフォーマンスをシミュレートすることが重要である。
本稿では、DFTS2と呼ばれるシミュレーションフレームワークについて、研究者がTensorFlow~2でCIシステムのコンポーネントを定義し、様々なパラメータを持つパケットベースのチャネルモデルを選択し、様々なチャネル条件下でのシステムの挙動をシミュレートする。
また,dfts2を用いて,協調画像分類モデルにおけるパケット損失隠蔽法について,これまで最も包括的に検討した。
関連論文リスト
- Federated Learning via Lattice Joint Source-Channel Coding [22.315782805190036]
本稿では,デジタル通信によるオーバー・ザ・エア計算を実現するユニバーサル・フェデレーション・ラーニング・フレームワークを提案する。
このスキームは、デバイスにおけるチャネル状態情報に頼ることなく、モデルパラメータの定量化とデバイスからの干渉の活用の両方に格子コードを使用する。
論文 参考訳(メタデータ) (2024-03-01T22:53:57Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳(メタデータ) (2023-10-16T05:49:28Z) - Smart filter aided domain adversarial neural network for fault diagnosis
in noisy industrial scenarios [11.094903196524404]
本稿では,スマートフィルタ支援ドメイン適応ニューラルネットワーク (SFDANN) と呼ばれる非教師付きドメイン適応 (UDA) 手法を提案する。
提案手法は、2つのステップから構成される。第1ステップでは、時間周波数領域におけるソースとターゲットドメインデータの類似性を動的に適用するスマートフィルタを開発する。
2番目のステップでは、スマートフィルタによって再構成されたデータをドメイン逆ニューラルネットワーク(DANN)に入力する。
論文 参考訳(メタデータ) (2023-07-04T01:47:00Z) - Two-phase Dual COPOD Method for Anomaly Detection in Industrial Control
System [0.0]
従来のICS異常検出法は透明性と解釈性に欠けていた。
本稿では,これらの課題に対処する2相二重コプラ型外乱検出法(COPOD)を提案する。
この方法は経験的分布関数に基づいており、パラメータフリーであり、各特徴の異常への寄与を定量化することで解釈性を提供する。
論文 参考訳(メタデータ) (2023-04-30T18:13:40Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しい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) (2023-04-25T00:15:00Z) - Channel-wise Gated Res2Net: Towards Robust Detection of Synthetic Speech
Attacks [67.7648985513978]
自動話者検証(ASV)における既存のアンチスプーフィングのアプローチは、未確認攻撃に対する一般化性に欠ける。
本稿では,チャネルワイズゲーティング機構を実現するためにRes2Netを改良した新しいCG-Res2Netを提案する。
論文 参考訳(メタデータ) (2021-07-19T12:27:40Z) - CSIT-Free Federated Edge Learning via Reconfigurable Intelligent Surface [25.30094403011711]
reSITインテリジェントエッジ(RIS)技術を活用して、CSITがエッジとするカスケードチャンネルを整列させます。
得られた非構成モデル凝集係数のアルゴリズムを開発する。
提案手法は、最先端のCSITベースのソリューションと同様の学習精度を実現することができる。
論文 参考訳(メタデータ) (2021-02-22T03:24:23Z) - Deep Learning-based Resource Allocation For Device-to-Device
Communication [66.74874646973593]
デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。
任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。
シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
論文 参考訳(メタデータ) (2020-11-25T14:19:23Z) - DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator
Search [55.164053971213576]
畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。
構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。
既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
論文 参考訳(メタデータ) (2020-11-04T07:43:01Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳(メタデータ) (2020-02-14T06:58:27Z)
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。