論文の概要: Low Complexity Adaptive Machine Learning Approaches for End-to-End Latency Prediction

• arxiv url: http://arxiv.org/abs/2301.13536v1
• Date: Tue, 31 Jan 2023 10:29:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-01 16:57:51.987273
• Title: Low Complexity Adaptive Machine Learning Approaches for End-to-End Latency Prediction
• Title（参考訳）: 低複雑性適応機械学習によるエンドツーエンドレイテンシ予測
• Authors: Pierre Larrenie (LIGM), Jean-Fran\c{c}ois Bercher (LIGM), Olivier Venard (ESYCOM), Iyad Lahsen-Cherif (INPT)
• Abstract要約: この研究は、予測、監視、予測のための効率的で低コストな適応アルゴリズムの設計である。 我々は,GNNにおける近年の国際的課題の後に提供されたパブリックジェネレータから得られるデータに対して,我々のアプローチと結果を説明するために,エンドツーエンドの遅延予測に焦点を当てた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software Defined Networks have opened the door to statistical and AI-based techniques to improve efficiency of networking. Especially to ensure a certain Quality of Service (QoS) for specific applications by routing packets with awareness on content nature (VoIP, video, files, etc.) and its needs (latency, bandwidth, etc.) to use efficiently resources of a network. Monitoring and predicting various Key Performance Indicators (KPIs) at any level may handle such problems while preserving network bandwidth. The question addressed in this work is the design of efficient, low-cost adaptive algorithms for KPI estimation, monitoring and prediction. We focus on end-to-end latency prediction, for which we illustrate our approaches and results on data obtained from a public generator provided after the recent international challenge on GNN [12]. In this paper, we improve our previously proposed low-cost estimators [6] by adding the adaptive dimension, and show that the performances are minimally modified while gaining the ability to track varying networks.
• Abstract（参考訳）: Software Defined Networksは、ネットワークの効率を改善するための統計的およびAIベースの技術への扉を開いた。 特に、ネットワークの効率的なリソース利用に必要なパケット(VoIP、ビデオ、ファイルなど)と、そのニーズ(レイテンシ、帯域幅など)を意識してルーティングすることで、特定のアプリケーションに対する特定のQuality of Service(QoS)を確保する。 あらゆるレベルでキーパフォーマンス指標(KPI)のモニタリングと予測は、ネットワーク帯域幅を保ちながらそのような問題に対処することができる。 本研究の課題は、kpi推定、監視、予測のための効率的で低コストな適応アルゴリズムの設計である。 我々は,GNN[12]における近年の国際的課題の後に提供されたパブリックジェネレータから得られるデータに対して,我々のアプローチと結果を説明する。 本稿では,適応次元を付加して提案した低コスト推定器 [6] を改良し, 各種ネットワークを追従しながら, 性能が最小限に変化していることを示す。

関連論文リスト

• ML KPI Prediction in 5G and B5G Networks [0.824969449883056]
  エンド・ツー・エンド(E2E)ネットワークスライスを持つ5GおよびB5Gネットワークのスループットを推定するために使用される機械学習(ML)モデルを提案する。 予測スループットと現在のネットワーク状態を組み合わせることで,他のネットワーク評価の見積を導出する。
  論文  参考訳（メタデータ） (2024-04-01T23:34:28Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting [0.18416014644193066]
  我々は、精度と計算複雑性のトレードオフを最適化するために、QBSDというライブシングルステップ予測手法を紹介した。 QBSDは数千セル以上の実ネットワークRANデータセットで大きな成功を収めています。 その結果,提案手法は主要なアルゴリズムに比べて実行効率が優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T15:59:27Z)
• Low Complexity Approaches for End-to-End Latency Prediction [0.0]
  我々は、エンドツーエンドのレイテンシ予測に焦点を当て、GNNにおける最近の国際的課題から得られた公開データセットに、我々のアプローチと結果を説明する。 提案手法は,最先端のグローバルGNNソリューションと比較して,比較的低い精度で予測精度を保ちながら,トレーニングと推論の両面において,壁面時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2023-01-31T10:31:41Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Multi-Objective Provisioning of Network Slices using Deep Reinforcement Learning [5.074839768784803]
  リアルタイムネットワークスライスプロビジョニング(NSP)問題は、オンライン多目的プログラミング最適化(MOIPO)問題としてモデル化されている。 交通需要予測にPPO(Proximal Policy Optimization)法を適用することにより,MOIPO問題の解を近似する。 提案手法の有効性を,SLA違反率とネットワーク運用コストの低いMOIPO解法と比較した。
  論文  参考訳（メタデータ） (2022-07-27T23:04:22Z)
• Adaptive Inference through Early-Exit Networks: Design, Challenges and Directions [80.78077900288868]
  初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。 我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
  論文  参考訳（メタデータ） (2021-06-09T12:33:02Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• Weight Pruning via Adaptive Sparsity Loss [31.978830843036658]
  近年、最先端のディープニューラルネットワークを圧縮する手段として、プルーニングニューラルネットワークが注目を集めている。 本稿では,ネットワークパラメータを最小限の計算オーバーヘッドで効率的に学習する頑健な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-04T10:55:16Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)

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。