論文の概要: Near Real-Time Distributed State Estimation via AI/ML-Empowered 5G Networks

• arxiv url: http://arxiv.org/abs/2207.11117v1
• Date: Fri, 22 Jul 2022 14:48:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:54:49.859957
• Title: Near Real-Time Distributed State Estimation via AI/ML-Empowered 5G Networks
• Title（参考訳）: ai/ml-empowered 5gネットワークによる準リアルタイム分散状態推定
• Authors: Ognjen Kundacina, Miodrag Forcan, Mirsad Cosovic, Darijo Raca, Merim Dzaferagic, Dragisa Miskovic, Mirjana Maksimovic, Dejan Vukobratovic
• Abstract要約: エネルギー管理システムの重要な要素として状態推定関数に着目した。 i)グラフィカルモデルと信念伝播,およびi)グラフニューラルネットワークに基づく2つの強力な分散SE手法を比較した。
• 参考スコア（独自算出の注目度）: 1.1938918581443054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fifth-Generation (5G) networks have a potential to accelerate power system transition to a flexible, softwarized, data-driven, and intelligent grid. With their evolving support for Machine Learning (ML)/Artificial Intelligence (AI) functions, 5G networks are expected to enable novel data-centric Smart Grid (SG) services. In this paper, we explore how data-driven SG services could be integrated with ML/AI-enabled 5G networks in a symbiotic relationship. We focus on the State Estimation (SE) function as a key element of the energy management system and focus on two main questions. Firstly, in a tutorial fashion, we present an overview on how distributed SE can be integrated with the elements of the 5G core network and radio access network architecture. Secondly, we present and compare two powerful distributed SE methods based on: i) graphical models and belief propagation, and ii) graph neural networks. We discuss their performance and capability to support a near real-time distributed SE via 5G network, taking into account communication delays.
• Abstract（参考訳）: 第5世代(5G)ネットワークは、フレキシブル、ソフトウェア化、データ駆動、インテリジェントグリッドへの移行を加速する可能性がある。 機械学習(ML)/人工知能(AI)機能のサポートの進化に伴い、5Gネットワークは新たなデータ中心のスマートグリッド(SG)サービスを実現することが期待されている。 本稿では,データ駆動型SGサービスとML/AI対応5Gネットワークが共生関係でどのように統合できるかを検討する。 我々は、エネルギー管理システムの鍵となる状態推定(SE)機能に注目し、2つの主要な疑問に焦点をあてる。 まず,5Gコアネットワークと無線アクセスネットワークアーキテクチャの要素と分散SEをどのように統合できるかについて概説する。 次に,2つの強力な分散se手法を比較し,比較する。 一 図式的モデル及び信念の伝播、及び ii) グラフニューラルネットワーク。 通信遅延を考慮した,準リアルタイム分散seを5gネットワークでサポートする性能と能力について検討する。

関連論文リスト

• GDM4MMIMO: Generative Diffusion Models for Massive MIMO Communications [61.56610953012228]
  生成拡散モデル (generative diffusion model, GDM) は、生成モデルの最先端のファミリーの一つである。 GDMは、暗黙の事前知識と堅牢な一般化能力を学ぶ能力を示す。 ケーススタディは、GDMが有望な、効率的な超次元チャネルステートメント情報取得を促進する可能性を示唆している。
  論文  参考訳（メタデータ） (2024-12-24T08:42:01Z)
• Towards Cognitive Service Delivery on B5G through AIaaS Architecture [0.16070833439280313]
  4Gから5Gへの移行は、ビジネス分野に向けたネットワークの統合において、AIに重大な意味を持つ。 本稿では,AI能力B5Gと6Gでコアネットワークをさらに強化するために必要なインターフェースを提示するNWDAFの進化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-23T20:30:29Z)
• Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities [148.601430677814]
  本稿では,6GネットワークにおけるAIと通信の概要を概観する。 我々はまず、AIを無線通信に組み込むことの背景にある要因と、AIと6Gの収束のビジョンを概観する。 講演はその後、6Gネットワーク内でAIの統合を想定する詳細な説明へと移行する。
  論文  参考訳（メタデータ） (2024-12-19T05:36:34Z)
• Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End Collaboration [56.330705072736166]
  基礎モデルに基づく6GネイティブAIフレームワークを提案し、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。 実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• 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)
• An NWDAF Approach to 5G Core Network Signaling Traffic: Analysis and Characterization [3.5573601621032935]
  本稿では,5G Core(5GC)ネットワークとNetwork Data Analytics Function(NWDAF)の動作システムプロトタイプの実証に焦点をあてる。 ネットワーク生成データの解析は、教師なし学習、クラスタリングを通じてネットワーク内相互作用の中核を探索し、これらの結果を将来の機会と作業の洞察として評価する。
  論文  参考訳（メタデータ） (2022-09-21T15:21:59Z)
• True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
  私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
  論文  参考訳（メタデータ） (2020-11-26T06:42:36Z)
• 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)
• 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。