論文の概要: Federated Learning for Distributed Spectrum Sensing in NextG Communication Networks

• arxiv url: http://arxiv.org/abs/2204.03027v1
• Date: Wed, 6 Apr 2022 18:18:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 16:03:47.806370
• Title: Federated Learning for Distributed Spectrum Sensing in NextG Communication Networks
• Title（参考訳）: NextG通信ネットワークにおける分散スペクトルセンシングのためのフェデレーション学習
• Authors: Yi Shi, Yalin E. Sagduyu, Tugba Erpek
• Abstract要約: NextGネットワークは、既存のユーザとスペクトルを共有する柔軟性を提供することを目的としている。 無線センサのネットワークは、大規模な展開領域における信号伝達のスペクトルを監視するために必要である。 精度を向上させるために、個々のセンサは、センサーデータまたはセンサー結果を相互または融合センタで交換することができる。
• 参考スコア（独自算出の注目度）: 3.509171590450989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: NextG networks are intended to provide the flexibility of sharing the spectrum with incumbent users and support various spectrum monitoring tasks such as anomaly detection, fault diagnostics, user equipment identification, and authentication. A network of wireless sensors is needed to monitor the spectrum for signal transmissions of interest over a large deployment area. Each sensor receives signals under a specific channel condition depending on its location and trains an individual model of a deep neural network (DNN) accordingly to classify signals. To improve the accuracy, individual sensors may exchange sensing data or sensor results with each other or with a fusion center (such as in cooperative spectrum sensing). In this paper, distributed federated learning over a multi-hop wireless network is considered to collectively train a DNN for signal identification. In distributed federated learning, each sensor broadcasts its trained model to its neighbors, collects the DNN models from its neighbors, and aggregates them to initialize its own model for the next round of training. Without exchanging any spectrum data, this process is repeated over time such that a common DNN is built across the network while preserving the privacy associated with signals collected at different locations. Signal classification accuracy and convergence time are evaluated for different network topologies (including line, star, ring, grid, and random networks) and packet loss events. Then, the reduction of communication overhead and energy consumption is considered with random participation of sensors in model updates. The results show the feasibility of extending cooperative spectrum sensing over a general multi-hop wireless network through federated learning and indicate its robustness to wireless network effects, thereby sustaining high accuracy with low communication overhead and energy consumption.
• Abstract（参考訳）: NextGネットワークは、既存のユーザとスペクトルを共有する柔軟性を提供し、異常検出、障害診断、ユーザ機器の識別、認証などの様々なスペクトル監視タスクをサポートする。 無線センサのネットワークは、大きな展開領域で関心のある信号伝送のスペクトルを監視するために必要である。 各センサーはその位置に応じて特定のチャネル条件下で信号を受信し、信号の分類に応じてディープニューラルネットワーク(DNN)の個別モデルを訓練する。 精度を向上させるために、個々のセンサは、センシングデータやセンサ結果と互いに、あるいは融合センタ(協調スペクトルセンシングなど)と交換することができる。 本稿では,マルチホップ無線ネットワーク上での分散フェデレーション学習を,信号識別のためのdnnを総合的に学習する。 分散フェデレーション学習では、各センサがトレーニングされたモデルを隣人にブロードキャストし、隣人からdnnモデルを収集し、次のトレーニングのために独自のモデルを初期化する。 スペクトルデータを交換することなく、このプロセスは時間とともに繰り返され、異なる場所で収集された信号に関連するプライバシーを保ちながら、ネットワーク全体に共通のdnnが構築される。 信号の分類精度と収束時間は、異なるネットワークトポロジー(ライン、スター、リング、グリッド、ランダムネットワークを含む)とパケットロスイベントに対して評価される。 そして, モデル更新におけるセンサのランダムな参加により, 通信オーバーヘッドとエネルギー消費の低減を考慮した。 その結果, 汎用マルチホップ無線ネットワーク上での協調スペクトルセンシングの実現可能性を示し, 無線ネットワーク効果に対するロバスト性を示し, 通信オーバヘッドの低減とエネルギー消費の低減を図った。

関連論文リスト

• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
  グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。 我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。 BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-10-26T17:03:14Z)
• Deep Multi-Emitter Spectrum Occupancy Mapping that is Robust to the Number of Sensors, Noise and Threshold [32.880113150521154]
  スペクトル占有マッピングの主な目的の1つは、センサー数、占有閾値(dBm)、センサノイズ、エミッタ数、伝播環境に関する仮定に頑健なシステムを作ることである。 このようなシステムは、トレーニングやテスト中に様々なセンサーを利用できるように、アグリゲーションのプロセスを用いてニューラルネットワークで設計される可能性がある。
  論文  参考訳（メタデータ） (2022-11-27T14:08:11Z)
• Bandwidth-efficient distributed neural network architectures with application to body sensor networks [73.02174868813475]
  本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。 提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。 本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
  論文  参考訳（メタデータ） (2022-10-14T12:35:32Z)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Integrating Sensing and Communication in Cellular Networks via NR Sidelink [7.42576783544779]
  我々は、その角度と回転依存性であるサイドリンクベースのRFセンシングに関する共通の問題について議論する。 本稿では,データの提案時間的特徴を捉えるためのグラフベースのエンコーダと,多角学習のための4つのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-15T12:41:31Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。