論文の概要: Machine Learning in NextG Networks via Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2203.04453v1
- Date: Wed, 9 Mar 2022 00:15:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-11 05:39:00.321033
- Title: Machine Learning in NextG Networks via Generative Adversarial Networks
- Title（参考訳）: 生成型adversarial networkによるnextgネットワークの機械学習
- Authors: Ender Ayanoglu and Kemal Davaslioglu and Yalin E. Sagduyu
- Abstract要約: Generative Adversarial Networks (GAN) は、競合するリソース割り当て問題に対処する能力を持つ機械学習(ML)アルゴリズムである。
認知ネットワークの文脈における次世代(NextG)通信における使用法について検討し,i)スペクトル共有,i)異常検出,iv)セキュリティ攻撃の軽減について検討した。
- 参考スコア（独自算出の注目度）: 6.045977607688583
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative Adversarial Networks (GANs) are Machine Learning (ML) algorithms
that have the ability to address competitive resource allocation problems
together with detection and mitigation of anomalous behavior. In this paper, we
investigate their use in next-generation (NextG) communications within the
context of cognitive networks to address i) spectrum sharing, ii) detecting
anomalies, and iii) mitigating security attacks. GANs have the following
advantages. First, they can learn and synthesize field data, which can be
costly, time consuming, and nonrepeatable. Second, they enable pre-training
classifiers by using semi-supervised data. Third, they facilitate increased
resolution. Fourth, they enable the recovery of corrupted bits in the spectrum.
The paper provides the basics of GANs, a comparative discussion on different
kinds of GANs, performance measures for GANs in computer vision and image
processing as well as wireless applications, a number of datasets for wireless
applications, performance measures for general classifiers, a survey of the
literature on GANs for i)-iii) above, and future research directions. As a use
case of GAN for NextG communications, we show that a GAN can be effectively
applied for anomaly detection in signal classification (e.g., user
authentication) outperforming another state-of-the-art ML technique such as an
autoencoder.
- Abstract（参考訳）: GAN(Generative Adversarial Networks)は、機械学習(ML)アルゴリズムで、異常な動作の検出と緩和とともに、競合するリソース割り当て問題に対処する能力を持つ。
本稿では,認知ネットワークのコンテキストにおける次世代通信(NextG)の利用について検討する。
i) スペクトル共有
二 異常を検出すること、及び
三 防犯攻撃の緩和
GANには以下の利点がある。
まず、彼らはフィールドデータを学習し、合成できます。
第2に、半教師付きデータを用いて事前学習の分類を可能にする。
第3に、解像度の向上が促進される。
第4に、スペクトル中の崩壊したビットの回復を可能にする。
本稿は、GANの基本、異なる種類のGANの比較、コンピュータビジョンおよび画像処理におけるGANのパフォーマンス測定、無線アプリケーション、無線アプリケーションのための多くのデータセット、一般的な分類器のパフォーマンス測定、GANに関する文献調査を提供する。
i)-iii) 以上及び今後の研究方向
NextG通信におけるGANのユースケースとして,信号分類(例えばユーザ認証)における異常検出に対して,自動エンコーダなどの他の最先端ML技術よりも効率よくGANが適用可能であることを示す。
関連論文リスト
- Enhancing Network Intrusion Detection Performance using Generative Adversarial Networks [0.25163931116642785]
GAN(Generative Adversarial Networks)の統合によるNIDSの性能向上のための新しいアプローチを提案する。
GANは、現実世界のネットワークの振る舞いを忠実に模倣する合成ネットワークトラフィックデータを生成する。
NIDSへのGANの統合は,訓練データに制限のある攻撃に対する侵入検知性能の向上につながる可能性が示唆された。
論文 参考訳（メタデータ） (2024-04-11T04:01:15Z) - Generative AI for Physical Layer Communications: A Survey [76.61956357178295]
生成人工知能(GAI)は、デジタルコンテンツ生産の効率を高める可能性がある。
複雑なデータ分散を分析するGAIの能力は、無線通信にとって大きな可能性を秘めている。
本稿では、信号分類、チャネル推定、等化といった従来の問題から、インテリジェントな反射面やジョイントソースチャネル符号化といった新たなトピックまで、GAIの物理層での通信への応用に関する包括的な調査を行う。
論文 参考訳（メタデータ） (2023-12-09T15:20:56Z) - Fault Detection in Telecom Networks using Bi-level Federated Graph
Neural Networks [0.0]
テレコムネットワークの複雑さと多様性は、メンテナンスと運用の努力に負担を掛けている。
厳格なセキュリティとプライバシ要件は、モバイルオペレータがネットワークデータを活用する上での課題である。
本稿では,二値グラフニューラルネットワークの異常検出と診断モデルを提案する。
論文 参考訳（メタデータ） (2023-11-24T13:23:54Z) - Generative adversarial networks for data-scarce spectral applications [0.0]
合成スペクトルデータ生成分野におけるGANの応用について報告する。
CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
論文 参考訳（メタデータ） (2023-07-14T16:27:24Z) - Towards Better Out-of-Distribution Generalization of Neural Algorithmic
Reasoning Tasks [51.8723187709964]
ニューラルネットワーク推論タスクのOOD一般化について検討する。
目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
論文 参考訳（メタデータ） (2022-11-01T18:33:20Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation [50.779498955162644]
生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。
その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
論文 参考訳（メタデータ） (2020-06-11T16:15:06Z) - Generative Adversarial Networks (GANs): An Overview of Theoretical
Model, Evaluation Metrics, and Recent Developments [9.023847175654602]
GAN(Generative Adversarial Network)は,大規模データ分散のサンプルを作成する上で有効な手法である。
GANはラベル付きトレーニングデータを広く使用せずにディープ表現を学習する適切な方法を提供する。
GANでは、ジェネレータと識別器のネットワークを同時にトレーニングする競合プロセスを通じて生成モデルを推定する。
論文 参考訳（メタデータ） (2020-05-27T05:56:53Z) - xAI-GAN: Enhancing Generative Adversarial Networks via Explainable AI
Systems [16.360144499713524]
Generative Adversarial Networks (GAN) は、現実的な画像、音楽、テキスト、その他のデータの生成に成功しているディープニューラルネットワーク(DNN)の革命的なクラスである。
本稿では、AI(xAI)システムにおける最近の進歩を活用して、識別器からジェネレータへの「よりリッチな」修正フィードバックを提供する新しいGANクラスを提案する。
我々は、xAI-GANが標準GANよりも、MNISTとFMNISTの両方のデータセットで生成された画像の品質を最大23.18%向上させるのを観察する。
論文 参考訳（メタデータ） (2020-02-24T18:38:13Z) - 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) - A Review on Generative Adversarial Networks: Algorithms, Theory, and
Applications [154.4832792036163]
GAN(Generative Adversarial Network)は近年ホットな研究トピックである。
GANは2014年から広く研究され、多くのアルゴリズムが提案されている。
本稿では,アルゴリズム,理論,応用の観点から,様々なGAN手法のレビューを行う。
論文 参考訳（メタデータ） (2020-01-20T01:52:05Z)
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。