Fugu-MT 論文翻訳(概要): Identifying the root cause of cable network problems with machine learning

論文の概要: Identifying the root cause of cable network problems with machine learning

arxiv url: http://arxiv.org/abs/2203.06989v2
Date: Tue, 15 Mar 2022 21:54:46 GMT
ステータス: 処理完了
システム内更新日: 2022-03-20 23:11:02.469490
Title: Identifying the root cause of cable network problems with machine learning
Title（参考訳）: 機械学習によるケーブルネットワーク問題の根本原因の同定
Authors: Georg Heiler, Thassilo Gadermaier, Thomas Haider, Allan Hanbury, Peter Filzmoser
Abstract要約: 本稿では、単純なビジネスルール(特定の値の最大の変更)の自動化を提案し、その性能を最先端の機械学習手法と比較する。ネットワーク障害を予測するための複数のアプローチを評価し,ネットワーク上の予測保守を行う。
参考スコア（独自算出の注目度）: 6.876745341631244
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Good quality network connectivity is ever more important. For hybrid fiber coaxial (HFC) networks, searching for upstream high noise in the past was cumbersome and time-consuming. Even with machine learning due to the heterogeneity of the network and its topological structure, the task remains challenging. We present the automation of a simple business rule (largest change of a specific value) and compare its performance with state-of-the-art machine-learning methods and conclude that the precision@1 can be improved by 2.3 times. As it is best when a fault does not occur in the first place, we secondly evaluate multiple approaches to forecast network faults, which would allow performing predictive maintenance on the network.
Abstract（参考訳）: 高品質なネットワーク接続は、ますます重要だ。ハイブリッドファイバ同軸(hfc)ネットワークでは,過去に上流高ノイズの探索が面倒で時間のかかる作業であった。ネットワークの不均一性とトポロジー構造による機械学習においても、この課題は依然として困難である。本稿では、簡単なビジネスルール(特定の値の最大の変更)を自動化し、その性能を最先端の機械学習手法と比較し、精度を2.3倍改善できると結論付ける。第一に障害が発生しない場合が最善であるので、ネットワークの故障を予測するための複数のアプローチを第二に評価し、ネットワーク上の予測保守を行う。

関連論文リスト

Network Anomaly Detection Using Federated Learning [0.483420384410068]
我々は、効率的なネットワーク異常検出を可能にする堅牢でスケーラブルなフレームワークを導入する。複数の参加者が共同でグローバルモデルをトレーニングするフェデレーション学習を活用します。提案手法はUNSW-NB15データセットのベースライン機械学習手法よりも優れている。
論文参考訳（メタデータ） (2023-03-13T20:16:30Z)
Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文参考訳（メタデータ） (2023-02-23T12:29:20Z)
Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文参考訳（メタデータ） (2022-08-31T18:19:25Z)
Parallel Machine Learning for Forecasting the Dynamics of Complex Networks [0.0]
本稿では,大規模複雑ネットワークの力学を予測するための機械学習手法を提案する。私たちは、関心のネットワークのトポロジを模倣する並列アーキテクチャを使用します。
論文参考訳（メタデータ） (2021-08-27T06:06:41Z)
Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文参考訳（メタデータ） (2021-07-07T16:59:14Z)
Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
論文参考訳（メタデータ） (2021-03-10T20:10:53Z)
Network Support for High-performance Distributed Machine Learning [17.919773898228716]
学習ノード(計算を行う)と情報ノード(データを提供する)の両方をキャプチャするシステムモデルを提案する。次に,学習課題を完了させるために,学習ノードと情報ノードが協調して行うべき課題と,実行すべきイテレーション数を選択する問題を定式化する。我々はDoubleClimbというアルゴリズムを考案し、1+1/|I|競合解を見つけることができる。
論文参考訳（メタデータ） (2021-02-05T19:38:57Z)
Machine Learning Link Inference of Noisy Delay-coupled Networks with Opto-Electronic Experimental Tests [1.0766846340954257]
我々は,時間遅延のあるネットワークリンクを推論する一般的な問題を解決するために,機械学習手法を考案した。まず、未知のネットワークのダイナミクスを模倣するために、貯水池コンピューティングとして知られる機械学習システムを訓練する。本研究では, 貯留層出力層のトレーニングパラメータを用いて未知のネットワーク構造の推定を導出する手法を定式化し, 検証する。
論文参考訳（メタデータ） (2020-10-29T00:24:13Z)
Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文参考訳（メタデータ） (2020-10-22T12:32:29Z)
Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文参考訳（メタデータ） (2020-08-19T04:53:31Z)
Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-08-01T00:58:54Z)

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。