論文の概要: Robust Bayesian Learning for Reliable Wireless AI: Framework and Applications

• arxiv url: http://arxiv.org/abs/2207.00300v1
• Date: Fri, 1 Jul 2022 09:48:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 13:02:29.057348
• Title: Robust Bayesian Learning for Reliable Wireless AI: Framework and Applications
• Title（参考訳）: 信頼できるワイヤレスaiのためのロバストベイズ学習:フレームワークと応用
• Authors: Matteo Zecchin, Sangwoo Park, Osvaldo Simeone, Marios Kountouris, David Gesbert
• Abstract要約: 信頼性と堅牢性のレンズを用いた無線通信問題に対する機械学習手法の適用について検討する。 ディープラーニング技術は、頻繁なフレームワークを採用しており、調整の不十分な決定を提供することが知られている。 本稿では,複数の重要な無線通信問題に対する強靭なベイズ学習のメリットを,外れ値や不特定性に対する正確性,校正性,堅牢性の観点から紹介する。
• 参考スコア（独自算出の注目度）: 46.38465729190199
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work takes a critical look at the application of conventional machine learning methods to wireless communication problems through the lens of reliability and robustness. Deep learning techniques adopt a frequentist framework, and are known to provide poorly calibrated decisions that do not reproduce the true uncertainty caused by limitations in the size of the training data. Bayesian learning, while in principle capable of addressing this shortcoming, is in practice impaired by model misspecification and by the presence of outliers. Both problems are pervasive in wireless communication settings, in which the capacity of machine learning models is subject to resource constraints and training data is affected by noise and interference. In this context, we explore the application of the framework of robust Bayesian learning. After a tutorial-style introduction to robust Bayesian learning, we showcase the merits of robust Bayesian learning on several important wireless communication problems in terms of accuracy, calibration, and robustness to outliers and misspecification.
• Abstract（参考訳）: 本研究は,信頼性と堅牢性のレンズによる無線通信問題に対する従来の機械学習手法の適用を批判的に考察する。 ディープラーニングのテクニックは、頻繁なフレームワークを採用しており、トレーニングデータのサイズ制限による真の不確実性を再現しない、不適切な判断を提供することが知られている。 ベイズ学習は、原則としてこの欠点に対処できるが、実際にはモデルの誤特定と外れ値の存在によって障害を受ける。 どちらの問題も、機械学習モデルの能力がリソース制約の対象となり、トレーニングデータがノイズや干渉に影響される、無線通信設定において広まっています。 この文脈では、頑健なベイズ学習の枠組みの適用について検討する。 頑健なベイズ学習のチュートリアル的導入の後, 精度, 校正, および不特定性に対する堅牢性の観点から, ベイズ学習がいくつかの重要な無線通信問題に対して有益であることを示す。

関連論文リスト

• Mind the Interference: Retaining Pre-trained Knowledge in Parameter Efficient Continual Learning of Vision-Language Models [79.28821338925947]
  ドメインクラスのインクリメンタル学習は現実的だが、継続的な学習シナリオである。 これらの多様なタスクに対処するために、事前訓練されたビジョンランゲージモデル(VLM)を導入し、その強力な一般化性を実現する。 事前訓練されたVLMにエンコードされた知識は、新しいタスクに適応する際に妨げられ、固有のゼロショット能力を損なう。 既存の手法では、膨大なオーバーヘッドを必要とする余分なデータセットに知識蒸留でVLMをチューニングすることで、この問題に対処している。 我々は、事前学習した知識を保持できるDIKI(Distributed-Aware Interference-free Knowledge Integration)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-07T12:19:37Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Robust Deep Reinforcement Learning Scheduling via Weight Anchoring [7.570246812206769]
  我々は、重みアンカーを用いてニューラルネットワークの望ましい振る舞いを培養し、固定する。 ウェイトアンカーは、他の学習問題の解に近い学習問題の解を見つけるために用いられる。 その結果,シミュレーション環境を増強する技術に匹敵する性能が得られた。
  論文  参考訳（メタデータ） (2023-04-20T09:30:23Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Maximum Likelihood Distillation for Robust Modulation Classification [50.51144496609274]
  我々は、より堅牢なAMCシステムを構築するために、知識蒸留のアイデアと敵の訓練に基づいて構築する。 オフライン環境でのAMC問題を解消し,より優れたトレーニングラベルを生成するためのMaximum Likelihood関数を提案する。
  論文  参考訳（メタデータ） (2022-11-01T21:06:11Z)
• Multi-fidelity wavelet neural operator with application to uncertainty quantification [0.0]
  我々は,多要素データセットから学習可能なウェーブレットニューラル演算子に基づく新しいフレームワークを開発した。 フレームワークの優れた学習能力は、異なる問題を解決することで実証される。
  論文  参考訳（メタデータ） (2022-08-11T02:03:30Z)
• Reinforce Security: A Model-Free Approach Towards Secure Wiretap Coding [30.74553644848033]
  セキュアな符号化関数を近似する深層学習技術は、無線通信にかなりの関心を集めている。 本稿では,強化学習のアプローチについて検討し,特にニューラルネットワークを用いたセキュアエンコーディングのモデルフリーアプローチに対するポリシー勾配法について検討する。
  論文  参考訳（メタデータ） (2021-06-01T09:30:15Z)
• Learning to Learn from Mistakes: Robust Optimization for Adversarial Noise [1.976652238476722]
  我々はメタ最適化器を訓練し、敵対的な例を使ってモデルを堅牢に最適化することを学び、学習した知識を新しいモデルに転送することができる。 実験の結果、メタ最適化は異なるアーキテクチャやデータセット間で一貫性があることが示され、敵の脆弱性を自動的にパッチすることができることが示唆された。
  論文  参考訳（メタデータ） (2020-08-12T11:44:01Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)
• Deep Learning for Wireless Communications [3.7506111080592386]
  まず、オートエンコーダを用いたエンドツーエンド通信システムの設計にディープラーニングがどのように使われているかを説明する。 次に、スペクトル状況認識におけるディープラーニングの利点を示す。 最後に,無線通信セキュリティにおけるディープラーニングの応用について論じる。
  論文  参考訳（メタデータ） (2020-05-12T21:58:44Z)

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。