論文の概要: Accordion: A Communication-Aware Machine Learning Framework for Next Generation Networks

• arxiv url: http://arxiv.org/abs/2302.00623v1
• Date: Thu, 12 Jan 2023 10:30:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-05 04:20:04.180347
• Title: Accordion: A Communication-Aware Machine Learning Framework for Next Generation Networks
• Title（参考訳）: アコーディオン:次世代ネットワークのためのコミュニケーション対応機械学習フレームワーク
• Authors: Fadhel Ayed, Antonio De Domenico, Adrian Garcia-Rodriguez, David Lopez-Perez
• Abstract要約: 我々は,アドホック人工知能(AI)/機械学習(ML)モデルの設計を提唱する。 本稿では、モデルトレーニングおよび通信プロトコルの見直しにより、効率的なAI/MLモデル転送を可能にする、新しいコミュニケーション対応MLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.296411540693706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this article, we advocate for the design of ad hoc artificial intelligence (AI)/machine learning (ML) models to facilitate their usage in future smart infrastructures based on communication networks. To motivate this, we first review key operations identified by the 3GPP for transferring AI/ML models through 5G networks and the main existing techniques to reduce their communication overheads. We also present a novel communication-aware ML framework, which we refer to as Accordion, that enables an efficient AI/ML model transfer thanks to an overhauled model training and communication protocol. We demonstrate the communication-related benefits of Accordion, analyse key performance trade-offs, and discuss potential research directions within this realm.
• Abstract（参考訳）: 本稿では、コミュニケーションネットワークに基づく将来のスマートインフラストラクチャでの利用を促進するために、アドホック人工知能(ai)/機械学習(ml)モデルの設計を提唱する。 そこで我々はまず,AI/MLモデルを5Gネットワークを介して転送するための3GPPで特定された重要な操作と,通信オーバーヘッドを低減するための主要な技術について検討する。 また、モデルトレーニングおよび通信プロトコルの見直しにより、効率的なAI/MLモデル転送を可能にする、アコーディオンと呼ばれる新しいコミュニケーション対応MLフレームワークを提案する。 本稿では、アコーディオンの通信関連利点を実証し、重要なパフォーマンストレードオフを分析し、この領域における潜在的研究方向性について議論する。

関連論文リスト

• Token Communications: A Unified Framework for Cross-modal Context-aware Semantic Communications [78.80966346820553]
  生成セマンティックコミュニケーション(GenSC)におけるクロスモーダルコンテキスト情報を活用する統合フレームワークであるトークン通信(TokCom)を導入する。 TokComは、最近の生成基盤モデルとマルチモーダル大言語モデル(GFM/MLLM)の成功に動機づけられている。 我々は、画像のGenSC設定において対応するTokComの利点を実証し、クロスモーダルなコンテキスト情報を活用し、セマンティック/パーセプチュアル品質の無視によって帯域幅効率を70.8%向上させる。
  論文  参考訳（メタデータ） (2025-02-17T18:14:18Z)
• Generative Semantic Communication: Architectures, Technologies, and Applications [36.67865904029129]
  本稿では,ジェネレーティブ人工知能(GAI)のセマンティックコミュニケーションへの応用について述べる。 3つの人気セムコムシステムが最初に導入され、その中には変分オートエンコーダ、生成逆数ネットワーク、拡散モデルなどがある。 最先端のGAI技術大規模言語モデル(LLM)を取り入れた新しい生成型SemComシステムを提案する。
  論文  参考訳（メタデータ） (2024-12-11T18:59:50Z)
• Integrating Pre-Trained Language Model with Physical Layer Communications [19.20941153929975]
  本稿では、物理層(PHY)通信機能と統合された実用的なオンデバイスAI通信フレームワークを提案する。 我々のフレームワークは、チャネルノイズによるエンドツーエンドトレーニングを取り入れ、レジリエンスを高め、ベクトル量子化変分オートエンコーダ(VQ-VAE)を効率よく堅牢な通信に組み込み、事前学習エンコーダ・デコーダ変換を用いて一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-02-18T17:27:51Z)
• Less Data, More Knowledge: Building Next Generation Semantic Communication Networks [180.82142885410238]
  本稿では、スケーラブルなエンドツーエンドセマンティック通信ネットワークの最初の厳密なビジョンを示す。 まず、セマンティック・コミュニケーション・ネットワークの設計は、データ駆動型ネットワークから知識駆動型ネットワークへどのように移行する必要があるかについて議論する。 意味表現と言語を用いることで、従来の送信機と受信機が教師と見習いになることを示す。
  論文  参考訳（メタデータ） (2022-11-25T19:03:25Z)
• Machine Learning for Performance Prediction of Channel Bonding in Next-Generation IEEE 802.11 WLANs [1.0486135378491268]
  我々はPompeu Fabra大学(UPF)が主催する問題ステートメント13(PS-013)の結果を提示する。 第一の目標は、チャネルボンディング(CB)技術を適用した次世代無線地域ネットワーク(WLAN)の性能予測であった。
  論文  参考訳（メタデータ） (2021-05-29T05:33:07Z)
• Model-Based Machine Learning for Communications [110.47840878388453]
  モデルベースのアルゴリズムと機械学習をハイレベルな視点で組み合わせるための既存の戦略を見直します。 通信受信機の基本的なタスクの一つであるシンボル検出に注目する。
  論文  参考訳（メタデータ） (2021-01-12T19:55:34Z)
• Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
  機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。 本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
  論文  参考訳（メタデータ） (2020-08-06T12:37:14Z)
• 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)
• Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
  本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。 本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-11T07:19:45Z)

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。