論文の概要: Implicit Channel Learning for Machine Learning Applications in 6G Wireless Networks

• arxiv url: http://arxiv.org/abs/2206.12127v1
• Date: Fri, 24 Jun 2022 07:45:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-27 13:29:58.469568
• Title: Implicit Channel Learning for Machine Learning Applications in 6G Wireless Networks
• Title（参考訳）: 6G無線ネットワークにおける機械学習応用のためのインプシットチャネル学習
• Authors: Ahmet M. Elbir, Wei Shi, Kumar Vijay Mishra, Anastasios K. Papazafeiropoulos, Symeon Chatzinotas
• Abstract要約: 6Gの機械学習(ML)は、仮想現実や拡張現実、車載自律性、コンピュータビジョンといった新興アプリケーションを強化し、支援することが期待されている。 本稿では、暗黙的なチャネル学習を導入し、無線チャネルを推定することなくMLタスクを実行する。 チャネル推定なしでは、様々なシナリオに対する画像と音声の分類タスクが約60%改善されている。
• 参考スコア（独自算出の注目度）: 43.323384292764324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the deployment of the fifth generation (5G) wireless systems gathering momentum across the world, possible technologies for 6G are under active research discussions. In particular, the role of machine learning (ML) in 6G is expected to enhance and aid emerging applications such as virtual and augmented reality, vehicular autonomy, and computer vision. This will result in large segments of wireless data traffic comprising image, video and speech. The ML algorithms process these for classification/recognition/estimation through the learning models located on cloud servers. This requires wireless transmission of data from edge devices to the cloud server. Channel estimation, handled separately from recognition step, is critical for accurate learning performance. Toward combining the learning for both channel and the ML data, we introduce implicit channel learning to perform the ML tasks without estimating the wireless channel. Here, the ML models are trained with channel-corrupted datasets in place of nominal data. Without channel estimation, the proposed approach exhibits approximately 60% improvement in image and speech classification tasks for diverse scenarios such as millimeter wave and IEEE 802.11p vehicular channels.
• Abstract（参考訳）: 第5世代(5G)無線システムの展開が世界中で勢いを増す中、6Gのテクノロジーは活発に研究が進められている。 特に、6Gにおける機械学習(ML)の役割は、仮想現実や拡張現実、車載自律性、コンピュータビジョンといった新興アプリケーションを強化し、支援することが期待される。 これにより、画像、ビデオ、音声を含むワイヤレスデータトラフィックのセグメントが大きくなる。 MLアルゴリズムはこれらをクラウドサーバ上の学習モデルを通じて分類/認識/推定のために処理する。 これはエッジデバイスからクラウドサーバへのデータの無線送信を必要とする。 認識ステップとは別に処理されるチャネル推定は、正確な学習性能に不可欠である。 チャネルとMLデータの双方の学習を組み合わせることで、暗黙のチャネル学習を導入し、無線チャネルを推定することなくMLタスクを実行する。 ここでは、MLモデルは名目データの代わりにチャネル破損したデータセットで訓練される。 チャネル推定なしでは、ミリ波やIEEE 802.11pの車両用チャネルなどの様々なシナリオに対して、画像と音声の分類タスクを約60%改善する。

関連論文リスト

• Large Language Models in Wireless Application Design: In-Context Learning-enhanced Automatic Network Intrusion Detection [11.509880721677156]
  ネットワークの完全自動侵入検知を実現するための,事前学習型LLMフレームワークを提案する。 実際のネットワーク侵入検出データセットの実験により、コンテキスト内学習は極めて有益であることが証明された。 GPT-4では,テスト精度とF1スコアを90%向上できることを示した。
  論文  参考訳（メタデータ） (2024-05-17T02:56:31Z)
• Preserving Data Privacy for ML-driven Applications in Open Radio Access Networks [1.3351610617039973]
  本稿では,5G Open Radio Access Network (O-RAN)ネットワークにおける共有データベースシナリオのケーススタディとして,プライバシ問題に対処することを目的とする。 我々は、モデルとネットワーク性能を損なうことなく、スペクトル共有および干渉緩和アプリケーションのために機械学習(ML)モデルで使用できるデータを保護することに重点を置いている。
  論文  参考訳（メタデータ） (2024-02-15T05:06:53Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。