論文の概要: Modelling of Received Signals in Molecular Communication Systems based
machine learning: Comparison of azure machine learning and Python tools
- arxiv url: http://arxiv.org/abs/2112.10214v1
- Date: Sun, 19 Dec 2021 18:15:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-26 09:19:55.343190
- Title: Modelling of Received Signals in Molecular Communication Systems based
machine learning: Comparison of azure machine learning and Python tools
- Title（参考訳）: 分子通信システムに基づく機械学習における受信信号のモデリング:azure machine learningとpython toolsの比較
- Authors: Soha Mohamed, Mahmoud S. Fayed
- Abstract要約: 本稿では、フレキシブルな舗装維持レグレッション問題とソリューションにAzure Machine Learning(Azure ML)を適用する。
予測には、受信機半径、送信機半径、受信機と送信機の距離、拡散係数の4つのパラメータが入力として使用される。
確立されたAzure MLでは、決定木回帰、ベイズ線形回帰、ニューラルネットワーク、決定森林回帰などの回帰アルゴリズムが選択される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecular communication (MC) implemented on Nano networks has extremely
attractive characteristics in terms of energy efficiency, dependability, and
robustness. Even though, the impact of incredibly slow molecule diffusion and
high variability environments remains unknown. Analysis and designs of
communication systems usually rely on developing mathematical models that
describe the communication channel. However, the underlying channel models are
unknown in some systems, such as MC systems, where chemical signals are used to
transfer information. In these cases, a new method to analyze and design is
needed. In this paper, we concentrate on one critical aspect of the MC system,
modelling MC received signal until time t , and demonstrate that using tools
from ML makes it promising to train detectors that can be executed well without
any information about the channel model. Machine learning (ML) is one of the
intelligent methodologies that has shown promising results in the domain. This
paper applies Azure Machine Learning (Azure ML) for flexible pavement
maintenance regressions problems and solutions. For prediction, four parameters
are used as inputs: the receiver radius, transmitter radius, distance between
receiver and transmitter, and diffusion coefficient, while the output is mAP
(mean average precision) of the received signal. Azure ML enables algorithms
that can learn from data and experiences and accomplish tasks without having to
be coded. In the established Azure ML, the regression algorithms such as, boost
decision tree regression, Bayesian linear regression, neural network, and
decision forest regression are selected. The best performance is chosen as an
optimality criterion. Finally, a comparison that shows the potential benefits
of Azure ML tool over programmed based tool (Python), used by developers on
local PCs, is demonstrated
- Abstract（参考訳）: ナノネットワーク上に実装された分子通信(mc)は、エネルギー効率、信頼性、ロバスト性の観点から非常に魅力的な特性を持つ。
しかし、非常に遅い分子拡散と高い変動環境の影響は未だ分かっていない。
通信システムの解析と設計は通常、通信チャネルを記述する数学的モデルの開発に依存している。
しかし、基礎となるチャネルモデルはMCシステムのような情報伝達に化学信号を用いるシステムでは未知数である。
これらの場合、新しい分析と設計の方法が必要となる。
本稿では,mc受信信号のモデル化をtまで行うというmcシステムの重要な側面に着目し,mlのツールを使うことで,チャネルモデルに関する情報を必要とせずに適切に動作可能な検出器を訓練できることを実証する。
機械学習(ML)は、ドメイン内で有望な結果を示すインテリジェントな方法論の1つである。
本稿では、フレキシブルな舗装維持レグレッション問題とソリューションにAzure Machine Learning(Azure ML)を適用する。
予測には、受信機半径、送信機半径、受信機と送信機の距離、拡散係数の4つのパラメータが入力として使用され、出力は受信信号のmAP(平均精度)である。
Azure MLは、データや経験から学び、コーディングせずにタスクを達成できるアルゴリズムを可能にする。
確立されたazure mlでは、決定木回帰、ベイズ線形回帰、ニューラルネットワーク、決定フォレスト回帰などの回帰アルゴリズムが選択される。
最適な性能は最適性基準として選択される。
最後に、ローカルPC上で開発者が使用するプログラムベースツール(Python)に対して、Azure MLツールの潜在的なメリットを示す比較を示す。
関連論文リスト
- R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [83.77114091471822]
Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。
SFLの課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータが相手のジャミングに感受性を持つことである。
これは、言語理解に不可欠である大規模言語モデル(LLM)における単語埋め込みパラメータに対して特に顕著である。
無線ネットワーク上でのLLM(R-SFLLM)を用いたレジリエンスSFLのための物理層フレームワークを開発した。
論文 参考訳（メタデータ） (2024-07-16T12:21:29Z) - Active Inference on the Edge: A Design Study [5.815300670677979]
アクティブ推論(アクティブ推論、英: Active Inference、ACI)とは、脳が知覚情報を常に予測し評価し、長期的サプライズを減らす方法を記述する神経科学の概念である。
我々は,ACIエージェントが要求を満たすことなく,最適化問題を迅速かつ追跡的に解決できたことを示す。
論文 参考訳（メタデータ） (2023-11-17T16:03:04Z) - Machine Learning Methods for Spectral Efficiency Prediction in Massive
MIMO Systems [0.0]
本研究では,特定のプリコーディング方式のスペクトル効率(SE)値を最短時間で推定する機械学習手法について検討する。
平均パーセンテージ誤差(MAPE)の最も良い結果は、ソートされた特徴よりも勾配が上昇し、線形モデルは予測精度が悪くなることを示す。
そこで本研究では,Quadrigaシミュレータによって生成される幅広いシナリオにおける提案アルゴリズムの実用性について検討する。
論文 参考訳（メタデータ） (2021-12-29T07:03:10Z) - User Scheduling for Federated Learning Through Over-the-Air Computation [22.853678584121862]
FL(Federated Learning)と呼ばれる新しい機械学習技術は、エッジデバイスにおけるデータの保存と、学習プロセスにおけるMLモデルパラメータの交換のみを目的としている。
FLは通信ニーズを減らすだけでなく、地域のプライバシーを守るのにも役立ちます。
AirCompは、アナログ変調を用いて複数のデバイスが同時にデータを送信できるようにすることで、データを送信しながら計算することができる。
論文 参考訳（メタデータ） (2021-08-05T23:58:15Z) - Semi-supervised on-device neural network adaptation for remote and
portable laser-induced breakdown spectroscopy [0.22843885788439797]
LIBS用軽量多層パーセプトロン(MLP)モデルを導入し、新しい入力データのラベルを必要とせずにオンデバイスで適応できます。
データストリーミング中の平均精度は89.3%で、適応をサポートしないモデルに比べて最大2.1%高い精度を示している。
論文 参考訳（メタデータ） (2021-04-08T00:20:36Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳（メタデータ） (2020-10-02T10:41:59Z) - 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) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T14:37:51Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z) - A Convolutional Deep Markov Model for Unsupervised Speech Representation
Learning [32.59760685342343]
確率的潜在変数モデルは、音声からの言語表現学習のための自己教師付き学習アプローチの代替を提供する。
本研究では,深いニューラルネットワークによってモデル化された非線形放出と遷移関数を持つガウス状態空間モデルであるConvDMMを提案する。
大規模音声データセット(LibriSpeech)で訓練すると、ConvDMMは複数の自己教師付き特徴抽出法よりもはるかに優れた特徴を生成する。
論文 参考訳（メタデータ） (2020-06-03T21:50:20Z) - 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。