論文の概要: Choose, not Hoard: Information-to-Model Matching for Artificial Intelligence in O-RAN

• arxiv url: http://arxiv.org/abs/2208.04229v1
• Date: Mon, 1 Aug 2022 15:24:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-14 18:13:11.253725
• Title: Choose, not Hoard: Information-to-Model Matching for Artificial Intelligence in O-RAN
• Title（参考訳）: O-RANにおける人工知能のための情報モデルマッチング
• Authors: Jorge Mart\'in-P\'erez, Nuria Molner, Francesco Malandrino, Carlos Jes\'us Bernardos, Antonio de la Oliva, David Gomez-Barquero
• Abstract要約: Open Radio Access Network (O-RAN) は、ネットワーク基盤要素がオープンで標準化されたインターフェースを介して通信する新興パラダイムである。 重要な要素は、人工知能(AI)ベースのコントローラであるRAN Intelligent Controller(RIC)である。 本稿では、異なるRICにおける複数のAIモデルインスタンスの作成について紹介し、議論し、評価し、トレーニングのためにいくつかの(またはすべての)場所の情報を活用する。
• 参考スコア（独自算出の注目度）: 8.52291735627073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open Radio Access Network (O-RAN) is an emerging paradigm, whereby virtualized network infrastructure elements from different vendors communicate via open, standardized interfaces. A key element therein is the RAN Intelligent Controller (RIC), an Artificial Intelligence (AI)-based controller. Traditionally, all data available in the network has been used to train a single AI model to use at the RIC. In this paper we introduce, discuss, and evaluate the creation of multiple AI model instances at different RICs, leveraging information from some (or all) locations for their training. This brings about a flexible relationship between gNBs, the AI models used to control them, and the data such models are trained with. Experiments with real-world traces show how using multiple AI model instances that choose training data from specific locations improve the performance of traditional approaches.
• Abstract（参考訳）: Open Radio Access Network (O-RAN)は、異なるベンダーの仮想ネットワーク基盤要素がオープンで標準化されたインターフェースを介して通信する新興パラダイムである。 重要な要素は、人工知能(AI)ベースのコントローラであるRAN Intelligent Controller(RIC)である。 従来、ネットワークで利用可能なすべてのデータは、RICで使用する単一のAIモデルをトレーニングするために使用されてきた。 本稿では、複数のaiモデルインスタンスを異なるricで作成し、トレーニングに複数の(あるいはすべて)場所からの情報を活用する方法を紹介し、議論し、評価する。 これにより、gNBと、それらを制御するために使用されるAIモデルと、そのようなモデルでトレーニングされたデータとの間には、柔軟な関係が生まれる。 実世界のトレースを使った実験は、特定の場所からトレーニングデータを選択する複数のAIモデルインスタンスを使うことで、従来のアプローチのパフォーマンスが向上することを示している。

関連論文リスト

• Generative AI like ChatGPT in Blockchain Federated Learning: use cases, opportunities and future [4.497001527881303]
  本研究は、フェデレーション学習における生成AIの潜在的な統合について検討する。 GAN(generative adversarial Network)とVAE(variantal autoencoder) 合成データの生成は、限られたデータ可用性に関連する課題に、フェデレートされた学習を支援する。
  論文  参考訳（メタデータ） (2024-07-25T19:43:49Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
  人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である 本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-22T17:57:57Z)
• AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
  生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。 本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。 実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
  論文  参考訳（メタデータ） (2023-10-03T06:55:19Z)
• Large Language Models Empowered Autonomous Edge AI for Connected Intelligence [51.269276328087855]
  エッジ人工知能(Edge AI)は、コネクテッドインテリジェンスを実現するための有望なソリューションである。 この記事では、ユーザのさまざまな要件を満たすために自動的に組織化し、適応し、最適化する、自律的なエッジAIシステムのビジョンを示す。
  論文  参考訳（メタデータ） (2023-07-06T05:16:55Z)
• A general-purpose AI assistant embedded in an open-source radiology information system [0.0]
  我々は,このプラットフォームの新規なHuman-AIパートナーシップ機能について述べる。 我々は、RIS内でアクティブな学習戦略を開発し、人間の放射線学者がAIアノテーションを有効/無効にし、AIアノテーションを「修正」/「延長」することができるようにした。 これにより、放射線技師のユーザと、ユーザ固有のAIモデルとのパートナーシップを確立することができる。
  論文  参考訳（メタデータ） (2023-03-18T05:27:43Z)
• WAIR-D: Wireless AI Research Dataset [20.535443650889825]
  本稿では,2つのシナリオからなる無線AI研究データセット(WAIR-D)について述べる。 シナリオ1は、疎開されたユーザ機器(UE)を備えた10,000の環境を含み、シナリオ2は、密落したUEを備えた100の環境を含む。 トレーニングされたAIモデルが優れた一般化能力を持っていることを保証し、微調整は特定の環境で容易に行うことができる。
  論文  参考訳（メタデータ） (2022-12-05T10:59:05Z)
• Application of Federated Learning in Building a Robust COVID-19 Chest X-ray Classification Model [0.0]
  フェデレートラーニング(FL)は、すべてのデータを中央サーバに移動させることなく、AIモデルの一般化を支援する。 我々は、新型コロナウイルスの有無を予測するバイナリ分類問題を解決するために、ディープラーニングモデルを訓練した。
  論文  参考訳（メタデータ） (2022-04-22T05:21:50Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
  我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。 生徒は、合成された入力データを通じて教師の出力を訓練する。 その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
  論文  参考訳（メタデータ） (2021-02-01T14:38:54Z)
• Model-based actor-critic: GAN (model generator) + DRL (actor-critic) => AGI [0.0]
  本稿ではアクター批判的(モデルフリー)アーキテクチャに(生成的/予測的)環境モデルを追加することを提案する。 提案するAIモデルは(モデルフリーの)DDPGに似ているため、モデルベースDDPGと呼ばれる。 モデルベースアクター批判におけるDRLとGANは,各タスクを(モデルフリーの)DDPGと同等の性能で解決するために,段階的な目標駆動知性を必要とすることを示した。
  論文  参考訳（メタデータ） (2020-04-04T02:05:54Z)

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。