論文の概要: Towards Decentralized Predictive Quality of Service in Next-Generation Vehicular Networks

• arxiv url: http://arxiv.org/abs/2302.11268v1
• Date: Wed, 22 Feb 2023 10:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 15:41:45.714937
• Title: Towards Decentralized Predictive Quality of Service in Next-Generation Vehicular Networks
• Title（参考訳）: 次世代車載ネットワークにおけるサービス品質の分散化に向けて
• Authors: Filippo Bragato, Tommaso Lotta, Gianmaria Ventura, Matteo Drago, Federico Mason, Marco Giordani, Michele Zorzi
• Abstract要約: 我々は、車両ネットワークに予測品質(PQoS)を実装するための強化学習エージェントを設計する。 我々のフレームワークは、低レイテンシと信頼性の制約の下で自動車データを送信するための最適な圧縮レベルを特定することができる。
• 参考スコア（独自算出の注目度）: 16.930875340427765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To ensure safety in teleoperated driving scenarios, communication between vehicles and remote drivers must satisfy strict latency and reliability requirements. In this context, Predictive Quality of Service (PQoS) was investigated as a tool to predict unanticipated degradation of the Quality of Service (QoS), and allow the network to react accordingly. In this work, we design a reinforcement learning (RL) agent to implement PQoS in vehicular networks. To do so, based on data gathered at the Radio Access Network (RAN) and/or the end vehicles, as well as QoS predictions, our framework is able to identify the optimal level of compression to send automotive data under low latency and reliability constraints. We consider different learning schemes, including centralized, fully-distributed, and federated learning. We demonstrate via ns-3 simulations that, while centralized learning generally outperforms any other solution, decentralized learning, and especially federated learning, offers a good trade-off between convergence time and reliability, with positive implications in terms of privacy and complexity.
• Abstract（参考訳）: 遠隔運転シナリオの安全性を確保するため、車両と遠隔運転者間の通信は厳格なレイテンシと信頼性要件を満たす必要がある。 この文脈でpqos(predictive quality of service)は、qos(quality of service)の予期せぬ劣化を予測し、それに応じてネットワークが反応することを可能にするツールとして検討された。 本研究では、車両ネットワークにPQoSを実装するための強化学習(RL)エージェントを設計する。 そのため、無線アクセスネットワーク(ran)および/または最終車両に収集されたデータとqos予測に基づいて、低レイテンシおよび信頼性制約下で自動車データを送信するための最適な圧縮レベルを特定することができる。 我々は,集中型,完全分散型,連合型学習など,さまざまな学習手法を検討する。 ns-3シミュレーションを通じて、集中学習は一般的に他のどのソリューションよりも優れているが、分散学習、特にフェデレーション学習は、収束時間と信頼性の間に良いトレードオフをもたらす。

関連論文リスト

• Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
  本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。 本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-01T15:37:38Z)
• FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles [5.803236995616553]
  フェデレートラーニングは、車載ネットワークで洗練された機械学習モデルをトレーニングするための有望なソリューションである。 我々は、フェデレーションオブジェクト検出実験をシミュレートする軽量MPIベースのプロトタイプであるFedPylotを紹介する。 本研究は, 精度, 通信コスト, 推論速度に影響を及ぼし, 自動運転車が直面する課題に対するバランスのとれたアプローチを示す。
  論文  参考訳（メタデータ） (2024-06-05T20:06:59Z)
• QoS prediction in radio vehicular environments via prior user information [54.853542701389074]
  セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。 具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
  論文  参考訳（メタデータ） (2024-02-27T17:05:41Z)
• Device Selection for the Coexistence of URLLC and Distributed Learning Services [12.093278114651524]
  分散AIワークフローと超信頼性の低レイテンシ通信(URLLC)サービスをネットワーク上で並列に実行する混合サービスシナリオについて検討する。 コンバージェンス期間中のAIトレーニング遅延を最小限に抑えるために,デバイス選択のためのリスクベースの定式化を提案する。 我々はそれを深層強化学習問題に変換し、ソフトアクター批判アルゴリズムに基づく枠組みを用いて対処する。
  論文  参考訳（メタデータ） (2022-12-22T15:36:15Z)
• Enhanced Decentralized Federated Learning based on Consensus in Connected Vehicles [14.80476265018825]
  分散システムにおける機械学習(ML)モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。 我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
  論文  参考訳（メタデータ） (2022-09-22T01:21:23Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• A Reinforcement Learning Framework for PQoS in a Teleoperated Driving Scenario [18.54699818319184]
  PQoS機能を実装したRANレベルで実装された新しいエンティティの設計を提案する。 具体的には,学習者の報酬関数の設計に焦点をあて,要求が満たされない場合,見積もりを適切な対策に変換することができる。 我々は, ns-3シミュレーションを用いて, 遠隔運転のようなシナリオにおいて, エンドユーザーのQoE(Quality of Experience, QoE)パフォーマンスにおいて, 最良のトレードオフを実現することを実証した。
  論文  参考訳（メタデータ） (2022-02-04T02:59:16Z)
• Finite-Time Consensus Learning for Decentralized Optimization with Nonlinear Gossiping [77.53019031244908]
  本稿では,非線形ゴシップ(NGO)に基づく分散学習フレームワークを提案する。 コミュニケーション遅延とランダム化チャットが学習にどう影響するかを解析することで,実践的なバリエーションの導出が可能となる。
  論文  参考訳（メタデータ） (2021-11-04T15:36:25Z)
• Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT [55.62157530259969]
  本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。 本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。 数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
  論文  参考訳（メタデータ） (2021-08-17T08:38:31Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• 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。