論文の概要: Massive Twinning to Enhance Emergent Intelligence
- arxiv url: http://arxiv.org/abs/2204.09316v1
- Date: Wed, 20 Apr 2022 08:51:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-21 15:13:34.465842
- Title: Massive Twinning to Enhance Emergent Intelligence
- Title(参考訳): 創発的知性を高める大規模ツインニング
- Authors: Siyu Yuan, Bin Han, Dennis Krummacker, and Hans D. Schotten
- Abstract要約: 創発的インテリジェンス(EI)には、堅牢性、プライバシ保護、スケーラビリティなど、さまざまな優れた機能がある。
我々は,EIにおけるデータトラフィックを削減し,その性能を向上させるために,6Gがサポートする大規模ツインニングパラダイムを活用することを提案する。
- 参考スコア(独自算出の注目度): 6.412075049216053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Future Industrial Internet-of-Things in the upcoming 6G era is expected to
deploy artificial intelligence (AI) and digital twins (DTs) ubiquitously. As a
complement to conventional AI solutions, emergent intelligence (EI) exhibits
various outstanding features including robustness, protection to privacy, and
scalability, which makes it competitive for 6G IIoT applications. However,
despite its low computational complexity, it is challenged by its high demand
of data traffic in massive deployment. In this paper, we propose to exploit the
massive twinning paradigm, which 6G is envisaged to support, to reduce the data
traffic in EI and therewith enhance its performance.
- Abstract(参考訳): 6G時代の未来の産業用インターネットは、人工知能(AI)とデジタルツイン(DT)をユビキタスに展開することが期待されている。
従来のaiソリューションを補完するものとして、emergent intelligence(ei)には、堅牢性、プライバシ保護、スケーラビリティなど、さまざまな特徴があり、6g iiotアプリケーションと競合する。
しかし、計算の複雑さは低いものの、大規模なデプロイメントにおけるデータトラフィックの高需要が課題となっている。
本稿では,EIにおけるデータトラフィックを削減し,その性能を向上させるために,6Gがサポートする大規模ツインニングパラダイムを活用することを提案する。
関連論文リスト
- DISTINQT: A Distributed Privacy Aware Learning Framework for QoS
Prediction for Future Mobile and Wireless Networks [2.2404530481307425]
プライバシを意識した分散学習フレームワークDISTINQTを提案する。
我々のフレームワークは、データ型とモデルアーキテクチャの観点から、複数の異種ノードをサポートします。
中央バージョンと比較して統計的に同一のパフォーマンスを実現し、平均性能は最大65%向上した。
論文 参考訳(メタデータ) (2024-01-15T13:00:48Z) - Green Edge AI: A Contemporary Survey [49.47249665895926]
グリーンエッジAIに関する現代の調査を紹介する。
その可能性にもかかわらず、エッジAIは重大な課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、ディープラーニング(DL)のリソース集約性との間の二分である。
我々は、エッジAIシステムにおける3つの重要なタスクに対して、トレーニングデータ取得、エッジトレーニング、エッジ推論を含むエネルギー効率の高い設計手法について検討する。
論文 参考訳(メタデータ) (2023-12-01T04:04:37Z) - From Generative AI to Generative Internet of Things: Fundamentals,
Framework, and Outlooks [82.964958051535]
生成人工知能(GAI)は、現実的なデータを生成し、高度な意思決定を促進する能力を持っている。
GAIを現代のモノのインターネット(IoT)に統合することによって、ジェネレーティブ・インターネット・オブ・モノ(GIoT)が登場し、社会の様々な側面に革命をもたらす大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-10-27T02:58:11Z) - Towards Artificial General Intelligence (AGI) in the Internet of Things
(IoT): Opportunities and Challenges [55.82853124625841]
人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。
本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。
AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
論文 参考訳(メタデータ) (2023-09-14T05:43:36Z) - Task-Oriented Integrated Sensing, Computation and Communication for
Wireless Edge AI [46.61358701676358]
エッジ人工知能(AI)は、従来のクラウドをネットワークエッジまで高速に計算するために提案されている。
近年,特定のエッジAIタスクに対する無線センシング,計算,通信(SC$2$)の収束が,パラダイムシフトを引き起こしている。
超信頼性で低レイテンシなエッジインテリジェンス獲得を実現するために、完全に統合されたセンシング、計算、通信(I SCC)を進めることが最重要である。
論文 参考訳(メタデータ) (2023-06-11T06:40:51Z) - Optimization Design for Federated Learning in Heterogeneous 6G Networks [27.273745760946962]
フェデレーテッド・ラーニング(FL)は、6GネットワークでユビキタスAIを実現するための重要な実現手段として期待されている。
6Gネットワークにおける有効かつ効率的なFL実装には、いくつかのシステムおよび統計的不均一性の課題がある。
本稿では,これらの課題に効果的に対処できる最適化手法について検討する。
論文 参考訳(メタデータ) (2023-03-15T02:18:21Z) - AI Empowered Net-RCA for 6G [12.368396458140326]
6Gは、より高いデータレート、信頼性の向上、ユビキタスAIサービス、大規模な接続デバイスのサポートを提供すると想定されている。
6Gは前機種よりずっと複雑だ。
システムスケールと複雑性の増大、レガシネットワークとの共存、およびサービス要件の多様化は、必然的に、将来の6Gネットワークの保守コストと労力を増大させます。
論文 参考訳(メタデータ) (2022-12-01T07:38:32Z) - In-situ Model Downloading to Realize Versatile Edge AI in 6G Mobile
Networks [61.416494781759326]
In-situモデルダウンロードは、ネットワーク内のAIライブラリからダウンロードすることで、デバイス上のAIモデルを透過的でリアルタイムに置き換えることを目的としている。
提示されたフレームワークの重要なコンポーネントは、ダウンロードされたモデルを深さレベル、パラメータレベル、ビットレベルで動的に圧縮する一連のテクニックである。
我々は,3層(エッジ,ローカル,中央)AIライブラリのキー機能を備えた,インサイトモデルダウンロードのデプロイ用にカスタマイズされた6Gネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-10-07T13:41:15Z) - Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and
Applications [39.223546118441476]
6Gはワイヤレスの進化を「コネクテッドモノ」から「コネクテッドインテリジェンス」に変革する
ディープラーニングとビッグデータ分析に基づくAIシステムは、膨大な計算と通信資源を必要とする。
エッジAIは、センサー、通信、計算、インテリジェンスをシームレスに統合する6Gの破壊的技術として際立っている。
論文 参考訳(メタデータ) (2021-11-24T11:47:16Z) - Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。
本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
論文 参考訳(メタデータ) (2020-10-01T02:16:40Z)
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。