論文の概要: Wide Area Network Intelligence with Application to Multimedia Service
- arxiv url: http://arxiv.org/abs/2201.07216v1
- Date: Fri, 14 Jan 2022 23:45:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-23 18:40:40.444196
- Title: Wide Area Network Intelligence with Application to Multimedia Service
- Title（参考訳）: 広域ネットワークインテリジェンスとマルチメディアサービスへの応用
- Authors: Satoshi Kamo, Yiqiang Sheng
- Abstract要約: 広域ネットワークインテリジェンスのための機械学習に基づくシステムを提案する。
提案モデルは、データセンターにおける最新のディープフィードフォワードニューラルネットワークよりも優れている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network intelligence is a discipline that builds on the capabilities of
network systems to act intelligently by the usage of network resources for
delivering high-quality services in a changing environment. Wide area network
intelligence is a class of network intelligence in wide area network which
covers the core and the edge of Internet. In this paper, we propose a system
based on machine learning for wide area network intelligence. The whole system
consists of a core machine for pre-training and many terminal machines to
accomplish faster responses. Each machine is one of dual-hemisphere models
which are made of left and right hemispheres. The left hemisphere is used to
improve latency by terminal response and the right hemisphere is used to
improve communication by data generation. In an application on multimedia
service, the proposed model is superior to the latest deep feed forward neural
network in the data center with respect to the accuracy, latency and
communication. Evaluation shows scalable improvement with regard to the number
of terminal machines. Evaluation also shows the cost of improvement is longer
learning time.
- Abstract（参考訳）: ネットワークインテリジェンス(英: network intelligence)は、ネットワークシステムの能力に基づいて、変化する環境で高品質なサービスを提供するためのネットワークリソースを使用することによって、インテリジェントに行動する分野である。
広域ネットワークインテリジェンスは、インターネットのコアとエッジをカバーする広域ネットワークにおけるネットワークインテリジェンスのクラスである。
本稿では,広域ネットワークインテリジェンスのための機械学習に基づくシステムを提案する。
システム全体は、事前トレーニング用のコアマシンと、より高速な応答を実現するための多くの端末マシンで構成されている。
各機械は左右の半球からなる二重半球モデルの1つである。
左半球は端末応答によるレイテンシ向上に、右半球はデータ生成による通信改善に使用される。
マルチメディアサービス上のアプリケーションでは,提案手法は,精度,レイテンシ,通信に関して,データセンタ内の最新のディープフィードフォワードニューラルネットワークよりも優れている。
評価は端末機数に関してスケーラブルな改善を示している。
評価はまた、改善のコストが学習時間より長いことを示している。
関連論文リスト
- AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - Towards Intelligent Network Management: Leveraging AI for Network
Service Detection [0.0]
本研究では,高度なネットワークトラフィック分類システムを構築するために機械学習手法を活用することに焦点を当てた。
我々は,様々なネットワークサービスタイプをリアルタイムに識別する,新しいデータ駆動型アプローチを提案する。
本システムは,ネットワークサービスを識別する際,顕著な精度を示す。
論文 参考訳（メタデータ） (2023-10-14T16:06:11Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳（メタデータ） (2022-05-27T13:09:29Z) - Machine Learning Empowered Intelligent Data Center Networking: A Survey [35.55535885962517]
本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。
フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。
我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
論文 参考訳（メタデータ） (2022-02-28T05:27:22Z) - Communication-Efficient Separable Neural Network for Distributed
Inference on Edge Devices [2.28438857884398]
本稿では,分散推論のためのニューラルネットワークを分離するために,モデル並列性を利用する新しい手法を提案する。
デバイスの適切な仕様とモデルの構成の下で、エッジクラスタ上の大規模ニューラルネットワークの推論が分散し、加速可能であることを示す実験を行った。
論文 参考訳（メタデータ） (2021-11-03T19:30:28Z) - 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) - Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。
本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
論文 参考訳（メタデータ） (2020-10-01T02:16:40Z) - From Federated to Fog Learning: Distributed Machine Learning over
Heterogeneous Wireless Networks [71.23327876898816]
フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。
我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
論文 参考訳（メタデータ） (2020-06-07T05:11:18Z) - 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) - Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。
このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。
AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
論文 参考訳（メタデータ） (2020-02-22T09:27:55Z)
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。