論文の概要: Interpretable AI-based Large-scale 3D Pathloss Prediction Model for
enabling Emerging Self-Driving Networks
- arxiv url: http://arxiv.org/abs/2201.12899v1
- Date: Sun, 30 Jan 2022 19:50:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 03:26:34.350923
- Title: Interpretable AI-based Large-scale 3D Pathloss Prediction Model for
enabling Emerging Self-Driving Networks
- Title(参考訳): 進化型自動運転ネットワークを実現するAIに基づく大規模3次元パスロス予測モデル
- Authors: Usama Masood, Hasan Farooq, Ali Imran, Adnan Abu-Dayya
- Abstract要約: 本稿では,新しい鍵予測器を応用した機械学習モデルを提案する。
予測,一般化,計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより,光グラディエントブースティングマシン(LightGBM)アルゴリズムが全体として他のアルゴリズムより優れていることを示す。
- 参考スコア(独自算出の注目度): 3.710841042000923
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In modern wireless communication systems, radio propagation modeling to
estimate pathloss has always been a fundamental task in system design and
optimization. The state-of-the-art empirical propagation models are based on
measurements in specific environments and limited in their ability to capture
idiosyncrasies of various propagation environments. To cope with this problem,
ray-tracing based solutions are used in commercial planning tools, but they
tend to be extremely time-consuming and expensive. We propose a Machine
Learning (ML)-based model that leverages novel key predictors for estimating
pathloss. By quantitatively evaluating the ability of various ML algorithms in
terms of predictive, generalization and computational performance, our results
show that Light Gradient Boosting Machine (LightGBM) algorithm overall
outperforms others, even with sparse training data, by providing a 65% increase
in prediction accuracy as compared to empirical models and 13x decrease in
prediction time as compared to ray-tracing. To address the interpretability
challenge that thwarts the adoption of most ML-based models, we perform
extensive secondary analysis using SHapley Additive exPlanations (SHAP) method,
yielding many practically useful insights that can be leveraged for
intelligently tuning the network configuration, selective enrichment of
training data in real networks and for building lighter ML-based propagation
model to enable low-latency use-cases.
- Abstract(参考訳): 現代の無線通信システムでは、パスロスを推定するための電波伝搬モデリングがシステム設計と最適化の基本的な課題であった。
最先端の実証的伝播モデルは、特定の環境における測定に基づいており、様々な伝播環境の慣用性を取り込む能力に制限がある。
この問題に対処するため、レイトレーシングベースのソリューションは商用計画ツールで使用されているが、非常に時間と費用がかかる傾向にある。
本稿では,新しいキー予測器を応用した機械学習(ML)モデルを提案する。
予測, 一般化, 計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより, 光グラディエントブースティングマシン(LightGBM)アルゴリズムは, 実験モデルに比べて65%, レイトレーシングに比べて13倍の精度で予測精度が向上し, 光グラディエントブースティングマシン(LightGBM)アルゴリズムが他のアルゴリズムより総合的に優れていることを示す。
多くのMLベースのモデルの採用を妨げている解釈可能性の問題に対処するため、SHAP法を用いて広範囲な二次解析を行い、ネットワーク構成のインテリジェントなチューニング、実ネットワークでのトレーニングデータの強化、より軽量なMLベースの伝搬モデルの構築、低レイテンシユースケースの実現に活用できる実用的有用な洞察を多数得る。
関連論文リスト
- TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language
Models [27.306180426294784]
大規模言語モデル(LLM)を利用した新しい交通予測フレームワークであるTPLLMを紹介する。
本フレームワークでは,Lonal Neural Networks (LoCNNs) に基づくシーケンス埋め込み層と,Graph Contemporalal Networks (GCNs) に基づくグラフ埋め込み層を構築し,シーケンスの特徴と空間的特徴を抽出する。
実世界の2つのデータセットの実験では、フルサンプルと数ショットの予測シナリオの両方で、満足できるパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-03-04T17:08:57Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳(メタデータ) (2023-12-29T08:42:10Z) - Probabilistic MIMO U-Net: Efficient and Accurate Uncertainty Estimation
for Pixel-wise Regression [1.4528189330418977]
機械学習における不確実性推定は、予測モデルの信頼性と解釈可能性を高めるための最重要課題である。
画素ワイド回帰タスクに対するMIMO(Multiple-Input Multiple-Output)フレームワークの適応について述べる。
論文 参考訳(メタデータ) (2023-08-14T22:08:28Z) - Learning to Refit for Convex Learning Problems [11.464758257681197]
ニューラルネットワークを用いて、異なるトレーニングセットに対して最適化されたモデルパラメータを推定するフレームワークを提案する。
我々は、凸問題を近似するためにニューラルネットワークのパワーを厳格に特徴づける。
論文 参考訳(メタデータ) (2021-11-24T15:28:50Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳(メタデータ) (2020-08-29T08:39:43Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z) - Surrogate Locally-Interpretable Models with Supervised Machine Learning
Algorithms [8.949704905866888]
近年,従来の統計的手法よりも予測性能が優れているため,機械学習アルゴリズムが普及している。
主な焦点は解釈可能性であり、結果として得られるサロゲートモデルは、合理的に優れた予測性能を持つ。
論文 参考訳(メタデータ) (2020-07-28T23:46:16Z) - Deep Echo State Networks for Short-Term Traffic Forecasting: Performance
Comparison and Statistical Assessment [8.586891288891263]
短期的な交通予測では、関心のある交通パラメータの将来の値を正確に予測することが目的である。
Deep Echo State Networksは、考慮されている他のモデリングモデルよりも正確なトラフィック予測を実現している。
論文 参考訳(メタデータ) (2020-04-17T11:07:25Z)
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。