論文の概要: Automatic Machine Learning for Multi-Receiver CNN Technology Classifiers
- arxiv url: http://arxiv.org/abs/2204.13819v1
- Date: Thu, 28 Apr 2022 23:41:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-02 15:04:59.241069
- Title: Automatic Machine Learning for Multi-Receiver CNN Technology Classifiers
- Title（参考訳）: マルチレシーバCNN技術分類器の自動機械学習
- Authors: Amir-Hossein Yazdani-Abyaneh and Marwan Krunz
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、信号分類のための最も研究されているディープラーニングモデルの1つである。
我々は、複数の同期受信機から収集した生のI/Qサンプルに基づく技術分類に焦点を当てた。
- 参考スコア（独自算出の注目度）: 16.244541005112747
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Convolutional Neural Networks (CNNs) are one of the most studied family of
deep learning models for signal classification, including modulation,
technology, detection, and identification. In this work, we focus on technology
classification based on raw I/Q samples collected from multiple synchronized
receivers. As an example use case, we study protocol identification of Wi-Fi,
LTE-LAA, and 5G NR-U technologies that coexist over the 5 GHz Unlicensed
National Information Infrastructure (U-NII) bands. Designing and training
accurate CNN classifiers involve significant time and effort that goes into
fine-tuning a model's architectural settings and determining the appropriate
hyperparameter configurations, such as learning rate and batch size. We tackle
the former by defining architectural settings themselves as hyperparameters. We
attempt to automatically optimize these architectural parameters, along with
other preprocessing (e.g., number of I/Q samples within each classifier input)
and learning hyperparameters, by forming a Hyperparameter Optimization
(HyperOpt) problem, which we solve in a near-optimal fashion using the
Hyperband algorithm. The resulting near-optimal CNN (OCNN) classifier is then
used to study classification accuracy for OTA as well as simulations datasets,
considering various SNR values. We show that the number of receivers to
construct multi-channel inputs for CNNs should be defined as a preprocessing
hyperparameter to be optimized via Hyperband. OTA results reveal that our OCNN
classifiers improve classification accuracy by 24.58% compared to manually
tuned CNNs. We also study the effect of min-max normalization of I/Q samples
within each classifier's input on generalization accuracy over simulated
datasets with SNRs other than training set's SNR and show an average of 108.05%
improvement when I/Q samples are normalized.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、変調、技術、検出、識別を含む信号分類のための最も研究されているディープラーニングモデルの1つである。
本研究では,複数の同期受信機から収集した生のi/qサンプルに基づいて技術分類を行う。
例として,5GHzのUnlicensed National Information Infrastructure(U-NII)帯域に共存するWi-Fi,LTE-LAA,および5G NR-U技術のプロトコル識別について検討した。
正確なCNN分類器の設計と訓練は、モデルのアーキテクチャ設定を微調整し、学習率やバッチサイズなどの適切なハイパーパラメータ設定を決定するために、かなりの時間と労力を要する。
アーキテクチャ設定自体をハイパーパラメータとして定義することで、前者に取り組む。
我々は、ハイパーパラメータ最適化(HyperOpt)問題を形成することで、これらのアーキテクチャパラメータを、他の前処理(例えば、各分類器入力内のI/Qサンプル数)やハイパーパラメータの学習とともに自動的に最適化しようとする。
得られた近最適CNN(OCNN)分類器は、様々なSNR値を考慮して、OTAの分類精度とシミュレーションデータセットを研究するために使用される。
cnnのマルチチャネル入力を構成する受信機の数は、ハイパーバンドによって最適化されるプリプロセッシングハイパーパラメータとして定義すべきである。
OTAの結果,OCNN分類器の分類精度は手作業によるCNNと比較して24.58%向上した。
また、各分類器の入力におけるI/Qサンプルのmin-max正規化が、トレーニングセットのSNR以外のSNRを用いたシミュレーションデータセットの一般化精度に及ぼす影響について検討し、I/Qサンプルの正規化時の平均108.05%の改善を示す。
関連論文リスト
- Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。
本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。
ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
論文 参考訳（メタデータ） (2024-02-27T11:52:49Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Towards Enabling Dynamic Convolution Neural Network Inference for Edge
Intelligence [0.0]
エッジインテリジェンスの最近の進歩は、スループットを高め、レイテンシを低減するために、エッジネットワーク上のCNN推論を必要とする。
柔軟性を得るためには、さまざまなモバイルデバイスに対する動的パラメータ割り当ては、事前に定義されたか、オンザフライで定義されたCNNアーキテクチャを実装する必要がある。
本稿では,スケーラブルで動的に分散したCNN推論を高速に設計するためのライブラリベースのアプローチを提案する。
論文 参考訳（メタデータ） (2022-02-18T22:33:42Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Quantum convolutional neural network for classical data classification [0.8057006406834467]
古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。
本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T06:48:34Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - NL-CNN: A Resources-Constrained Deep Learning Model based on Nonlinear
Convolution [0.0]
NL-CNNと略される新しい畳み込みニューラルネットワークモデルが提案され、非線型畳み込みは畳み込み+非線形性層のカスケードでエミュレートされる。
いくつかの広く知られているデータセットのパフォーマンス評価が提供され、いくつかの関連する特徴を示している。
論文 参考訳（メタデータ） (2021-01-30T13:38:42Z) - Transfer Learning with Convolutional Networks for Atmospheric Parameter
Retrieval [14.131127382785973]
MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する
IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。
本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
論文 参考訳（メタデータ） (2020-12-09T09:28:42Z) - A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。
以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。
クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
論文 参考訳（メタデータ） (2020-11-03T03:27:18Z) - Inferring Convolutional Neural Networks' accuracies from their
architectural characterizations [0.0]
CNNのアーキテクチャと性能の関係について検討する。
本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。
我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
論文 参考訳（メタデータ） (2020-01-07T16:41:58Z) - Approximation and Non-parametric Estimation of ResNet-type Convolutional
Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。
Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文 参考訳（メタデータ） (2019-03-24T19:42:39Z)
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。