論文の概要: Resource-aware Deep Learning for Wireless Fingerprinting Localization
- arxiv url: http://arxiv.org/abs/2211.01759v1
- Date: Wed, 12 Oct 2022 12:39:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 15:13:50.653960
- Title: Resource-aware Deep Learning for Wireless Fingerprinting Localization
- Title（参考訳）: ワイヤレスフィンガープリンティング定位のためのリソースアウェア深層学習
- Authors: Gregor Cerar, Bla\v{z} Bertalani\v{c}, Carolina Fortuna
- Abstract要約: 我々は、ワイヤレスローカライゼーションの最新結果とトレンドについて論じ、より持続可能なAIを実現するための道を探る。
2025年末までに740億を超えると見積もられるモバイルユーザのみを考えると、これらのユーザに提供するネットワークは、平均して1時間あたり1つのローカライゼーションを実行する必要があると仮定すれば、計算に使用される機械学習モデルは、年間65倍の1012$の予測を実行する必要がある。
- 参考スコア（独自算出の注目度）: 0.7133136338850781
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Location based services, already popular with end users, are now inevitably
becoming part of new wireless infrastructures and emerging business processes.
The increasingly popular Deep Learning (DL) artificial intelligence methods
perform very well in wireless fingerprinting localization based on extensive
indoor radio measurement data. However, with the increasing complexity these
methods become computationally very intensive and energy hungry, both for their
training and subsequent operation. Considering only mobile users, estimated to
exceed 7.4 billion by the end of 2025, and assuming that the networks serving
these users will need to perform only one localization per user per hour on
average, the machine learning models used for the calculation would need to
perform $65 \times 10^{12}$ predictions per year. Add to this equation tens of
billions of other connected devices and applications that rely heavily on more
frequent location updates, and it becomes apparent that localization will
contribute significantly to carbon emissions unless more energy-efficient
models are developed and used. In this Chapter, we discuss the latest results
and trends in wireless localization and look at paths towards achieving more
sustainable AI. We then elaborate on a methodology for computing DL model
complexity, energy consumption and carbon footprint and show on a concrete
example how to develop a more resource-aware model for fingerprinting. We
finally compare relevant works in terms of complexity and training CO$_2$
footprint.
- Abstract（参考訳）: すでにエンドユーザに人気がある位置情報ベースのサービスは、必然的に新しいワイヤレスインフラストラクチャと新たなビジネスプロセスの一部になりつつある。
ますます普及しているディープラーニング(dl)人工知能手法は、広範囲な屋内無線計測データに基づく無線フィンガープリンティングのローカライズにおいて非常によく機能する。
しかし、複雑さが増すにつれて、これらの手法は計算量が非常に集中し、訓練とその後の操作の両方のためにエネルギーを消費するようになる。
2025年末までに740億ドルを超えると見積もられたモバイルユーザのみを考慮すれば、これらのユーザに提供するネットワークは、平均して1時間当たり1つのローカライズしか行わないと仮定すると、計算に使用される機械学習モデルは、年間65 \times 10^{12}$の予測を実行する必要がある。
この方程式に加え、より頻繁な位置更新に大きく依存する数十億の他の接続デバイスやアプリケーションも加わり、よりエネルギー効率の良いモデルが開発され使用されない限り、局所化が二酸化炭素排出量に大きく貢献することが明らかとなった。
本稿では,ワイヤレスローカライズの最新結果と動向について論じ,より持続可能なaiを実現するための道筋を検討する。
次に,DLモデル複雑度,エネルギー消費量,炭素フットプリントの計算手法について詳述し,指紋認証のためのよりリソースに配慮したモデルの開発方法を示す。
最終的に、関連する作業の複雑さとco$_2$フットプリントのトレーニングの観点から比較します。
関連論文リスト
- ssProp: Energy-Efficient Training for Convolutional Neural Networks with Scheduled Sparse Back Propagation [4.77407121905745]
バックプロパゲーション(BP)は、ディープラーニングモデルをトレーニングする際の計算コストの主要な源泉である。
ディープラーニングアーキテクチャにシームレスに統合できる汎用的でエネルギー効率の良い畳み込みモジュールを提案する。
論文 参考訳（メタデータ） (2024-08-22T17:22:59Z) - Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。
この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。
これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。
本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
論文 参考訳（メタデータ） (2023-11-28T15:09:36Z) - Dynamic Early Exiting Predictive Coding Neural Networks [3.542013483233133]
より小型で正確なデバイスを求めると、Deep Learningモデルはデプロイするには重すぎる。
予測符号化理論と動的早期退避に基づく浅層双方向ネットワークを提案する。
我々は,CIFAR-10上の画像分類におけるVGG-16と同等の精度を,より少ないパラメータと少ない計算量で達成した。
論文 参考訳（メタデータ） (2023-09-05T08:00:01Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - Green Federated Learning [7.003870178055125]
Federated Learning(FL)は、分散エンティティのデータを使用して集中型モデルをトレーニングする機械学習技術である。
FLは、多様なエネルギー源を持つ数億ものグローバル分散エンドユーザーデバイスを活用することができる。
提案するグリーンFLの概念は, FLパラメータを最適化し, 二酸化炭素排出量を最小化するための設計選択を行うものである。
論文 参考訳（メタデータ） (2023-03-26T02:23:38Z) - Towards Sustainable Deep Learning for Wireless Fingerprinting
Localization [0.541530201129053]
位置情報ベースのサービスは、新しい無線インフラや新しいビジネスプロセスの一部になっている。
深層学習(DL)人工知能手法は, 広範囲な屋内無線計測データに基づいて, 無線指紋認証のローカライゼーションにおいて極めてよく機能する。
複雑さが増すにつれて、これらの手法は計算的に非常に集中的になり、エネルギーは空腹になる。
そこで本研究では,室内のローカライゼーションのための新しいDLベースのアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-01-22T15:13:44Z) - Collaborative Learning over Wireless Networks: An Introductory Overview [84.09366153693361]
主に、ワイヤレスデバイス間の協調トレーニングに焦点を合わせます。
過去数十年間、多くの分散最適化アルゴリズムが開発されてきた。
データ局所性 – すなわち、各参加デバイスで利用可能なデータがローカルのままである間、共同モデルを協調的にトレーニングすることができる。
論文 参考訳（メタデータ） (2021-12-07T20:15:39Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳（メタデータ） (2020-11-16T08:24:34Z) - 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) - Efficient Training of Deep Convolutional Neural Networks by Augmentation
in Embedding Space [24.847651341371684]
データが少ないアプリケーションでは、ディープラーニングモデルの一般化を改善するために、転送学習とデータ拡張技術が一般的に使用される。
生入力空間におけるデータ拡張を伴う転送モデルを微調整すると、拡張入力毎に全ネットワークを実行するのに高い計算コストがかかる。
本稿では, 生の入力空間における拡張を, 埋め込み空間において純粋に作用する近似的に置き換える手法を提案する。
論文 参考訳（メタデータ） (2020-02-12T03:26:33Z)
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。