論文の概要: Edge Continual Learning for Dynamic Digital Twins over Wireless Networks
- arxiv url: http://arxiv.org/abs/2204.04795v1
- Date: Sun, 10 Apr 2022 23:25:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 19:01:58.001378
- Title: Edge Continual Learning for Dynamic Digital Twins over Wireless Networks
- Title（参考訳）: 無線ネットワーク上での動的ディジタル双対のエッジ連続学習
- Authors: Omar Hashash, Christina Chaccour, Walid Saad
- Abstract要約: デジタルツイン(DT)は、現実世界とメタバースの間の重要なリンクを構成する。
本稿では,物理的双生児とそれに対応するサイバー双生児の親和性を正確にモデル化する新しいエッジ連続学習フレームワークを提案する。
提案するフレームワークは,破滅的忘れ込みに対して頑健な,高精度かつ同期的なCTモデルを実現する。
- 参考スコア（独自算出の注目度）: 68.65520952712914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital twins (DTs) constitute a critical link between the real-world and the
metaverse. To guarantee a robust connection between these two worlds, DTs
should maintain accurate representations of the physical applications, while
preserving synchronization between real and digital entities. In this paper, a
novel edge continual learning framework is proposed to accurately model the
evolving affinity between a physical twin (PT) and its corresponding cyber twin
(CT) while maintaining their utmost synchronization. In particular, a CT is
simulated as a deep neural network (DNN) at the wireless network edge to model
an autonomous vehicle traversing an episodically dynamic environment. As the
vehicular PT updates its driving policy in each episode, the CT is required to
concurrently adapt its DNN model to the PT, which gives rise to a
de-synchronization gap. Considering the history-aware nature of DTs, the model
update process is posed a dual objective optimization problem whose goal is to
jointly minimize the loss function over all encountered episodes and the
corresponding de-synchronization time. As the de-synchronization time continues
to increase over sequential episodes, an elastic weight consolidation (EWC)
technique that regularizes the DT history is proposed to limit
de-synchronization time. Furthermore, to address the plasticity-stability
tradeoff accompanying the progressive growth of the EWC regularization terms, a
modified EWC method that considers fair execution between the historical
episodes of the DTs is adopted. Ultimately, the proposed framework achieves a
simultaneously accurate and synchronous CT model that is robust to catastrophic
forgetting. Simulation results show that the proposed solution can achieve an
accuracy of 90 % while guaranteeing a minimal desynchronization time.
- Abstract（参考訳）: デジタル双生児(dts)は現実世界とメタバースの間の重要な関係を構成する。
これら2つの世界間の強固な接続を保証するため、dtsは実際のエンティティとデジタルエンティティの同期を保ちながら、物理アプリケーションの正確な表現を維持する必要がある。
本稿では,物理的双生児(PT)とそれに対応するサイバー双生児(CT)との親和性を,最大限の同期を維持しつつ正確にモデル化する,新しいエッジ連続学習フレームワークを提案する。
特に、CTは無線ネットワークエッジのディープニューラルネットワーク(DNN)としてシミュレートされ、上皮学的にダイナミックな環境を横断する自律走行車両をモデル化する。
vehicular PTは各エピソードの駆動ポリシーを更新するため、CTはDNNモデルをPTに同時に適応させる必要があり、非同期化のギャップが生じる。
DTの履歴認識性を考慮すると、モデル更新プロセスは、遭遇した全エピソードと対応する非同期時間に対する損失関数を最小化することを目的として、二重目的最適化問題として提案される。
非同期化時間は連続時間を超えて増加し続けており、非同期化時間を制限するためにDT履歴を規則化する弾性重み統合(EWC)技術が提案されている。
さらに, EWC正則化項の進行に伴う塑性-安定性のトレードオフに対処するため, DTの歴史的エピソード間の公平な実行を考慮した改良EWC法を採用した。
最終的に,提案するフレームワークは,破滅的忘れ込みに対して頑健な,正確かつ同期的なCTモデルを実現する。
シミュレーションの結果, 最小の非同期時間を確保しつつ90%の精度が得られることがわかった。
関連論文リスト
- Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。
DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。
本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文 参考訳（メタデータ） (2024-10-31T07:28:22Z) - Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - Oscillatory State-Space Models [61.923849241099184]
長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。
高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。
我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
論文 参考訳（メタデータ） (2024-10-04T22:00:13Z) - A Differential Smoothness-based Compact-Dynamic Graph Convolutional Network for Spatiotemporal Signal Recovery [9.369246678101048]
本稿では、時間的信号回復のためのコンパクト・フォールド・コングラフ・ネットワーク(CDCN)を提案する。
実世界のデータセットの実験では、CDCNは時間的信号回復の最先端モデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2024-08-06T06:42:53Z) - Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。
一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。
本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
論文 参考訳（メタデータ） (2024-03-27T09:14:36Z) - Robust Fully-Asynchronous Methods for Distributed Training over General Architecture [11.480605289411807]
分散機械学習問題における完全な同期は、レイテンシ、パッケージの損失、ストラグラーの存在のため、非効率であり、不可能である。
本稿では,R-FAST (Fully-Asynchronous Gradient Tracking Method) を提案する。
論文 参考訳（メタデータ） (2023-07-21T14:36:40Z) - Pose Uncertainty Aware Movement Synchrony Estimation via
Spatial-Temporal Graph Transformer [7.053333608725945]
運動同期は、相互作用するダイアド間の身体の動きの協調を反映する。
本稿では,移動同期推定のための骨格型グラフ変換器を提案する。
我々の手法は全体の88.98%の精度を達成し、その差を大きく上回った。
論文 参考訳（メタデータ） (2022-08-01T22:35:32Z) - Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic
Prediction [1.6449390849183363]
本稿では,トラフィック予測のための自動拡張時間同期グラフネットワーク予測であるAuto-DSTSを提案する。
具体的には,短期および長期の相関関係を捉えるための自動拡張時間時間グラフ (Auto-DSTS) モジュールを提案する。
我々のモデルは最先端の手法と比較して約10%改善できる。
論文 参考訳（メタデータ） (2022-07-22T00:50:39Z) - Continuous-Time Sequential Recommendation with Temporal Graph
Collaborative Transformer [69.0621959845251]
本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。
TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。
5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-14T22:50:53Z) - DS-Sync: Addressing Network Bottlenecks with Divide-and-Shuffle
Synchronization for Distributed DNN Training [15.246142393381488]
本稿では,分散DNN訓練における収束精度を犠牲にすることなく,通信効率を向上する新たな分割・シャッフル同期(DS-Sync)を提案する。
DS-Syncは同じ精度を維持しつつ、既存のソリューションでエンドツーエンドのトレーニング時間を最大94%改善できることを示す。
論文 参考訳（メタデータ） (2020-07-07T09:29:01Z)
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。