論文の概要: Distributed Learning Meets 6G: A Communication and Computing Perspective

• arxiv url: http://arxiv.org/abs/2303.12802v1
• Date: Thu, 2 Mar 2023 15:15:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 02:41:02.437127
• Title: Distributed Learning Meets 6G: A Communication and Computing Perspective
• Title（参考訳）: 分散学習と6G: コミュニケーションとコンピューティングの展望
• Authors: Shashank Jere, Yifei Song, Yang Yi and Lingjia Liu
• Abstract要約: Federated Learning (FL) は、著名な無線アプリケーションで選択されるDLアーキテクチャとして登場した。 実例として、FLフレームワークにMARL(Multi-Agent Reinforcement Learning)を適用し、動的スペクトルアクセス(DSA)問題に適用する。 6GネットワークにDLアプローチを適用する際の最新の課題も強調されている。
• 参考スコア（独自算出の注目度）: 24.631203542364908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the ever-improving computing capabilities and storage capacities of mobile devices in line with evolving telecommunication network paradigms, there has been an explosion of research interest towards exploring Distributed Learning (DL) frameworks to realize stringent key performance indicators (KPIs) that are expected in next-generation/6G cellular networks. In conjunction with Edge Computing, Federated Learning (FL) has emerged as the DL architecture of choice in prominent wireless applications. This article lays an outline of how DL in general and FL-based strategies specifically can contribute towards realizing a part of the 6G vision and strike a balance between communication and computing constraints. As a practical use case, we apply Multi-Agent Reinforcement Learning (MARL) within the FL framework to the Dynamic Spectrum Access (DSA) problem and present preliminary evaluation results. Top contemporary challenges in applying DL approaches to 6G networks are also highlighted.
• Abstract（参考訳）: モバイル機器のコンピュータ能力とストレージ能力が進化する通信ネットワークのパラダイムに則り、次世代/6Gセルネットワークで期待される厳密なキーパフォーマンス指標(KPI)を実現するために分散学習(DL)フレームワークを探求する研究が急増している。 Edge Computingと連動して、Federated Learning (FL) は、著名な無線アプリケーションで選択されるDLアーキテクチャとして登場した。 本稿では、一般のDLとFLベースの戦略が6Gビジョンの一部の実現にどのように貢献し、通信とコンピューティングの制約のバランスをとるかの概要を述べる。 実例として、FLフレームワークにマルチエージェント強化学習(MARL)を適用し、動的スペクトルアクセス(DSA)問題に適用し、予備評価結果を示す。 6GネットワークにDLアプローチを適用する際の最新の課題も強調されている。

関連論文リスト

• Snake Learning: A Communication- and Computation-Efficient Distributed Learning Framework for 6G [16.384569776333873]
  Snake Learning"は6Gネットワークのための費用対効果の高い分散学習フレームワークである。 モデルレイヤの指定された部分を個々のノード上で順次トレーニングする。 モデルトレーニングフェーズにおけるストレージ、メモリ、通信の要件を削減します。
  論文  参考訳（メタデータ） (2024-05-06T11:25:59Z)
• Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
  効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。 本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
  論文  参考訳（メタデータ） (2023-10-08T08:55:03Z)
• Edge-Native Intelligence for 6G Communications Driven by Federated Learning: A Survey of Trends and Challenges [14.008159759350264]
  FL(Federated Learning)と呼ばれる新しい技術は、無線ネットワークの端に機械学習をもたらすために生まれた。 FLは、データプライバシを損なうことなく汎用MLモデルを開発するために、参加するクライアントの分散データセットとコンピューティングリソースの両方を活用する。 本調査の目的は,鍵となる無線技術におけるFL応用の現状を概観することである。
  論文  参考訳（メタデータ） (2021-11-14T17:13:34Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)
• Federated Dynamic Spectrum Access [29.302039892247787]
  動的スペクトラムアクセス(DSA)タスクのためのフェデレートラーニング(FL)ベースのフレームワークを提案する。 FLは、異種データ分散下でネットワーク端末のプライバシを保護できる分散機械学習フレームワークである。
  論文  参考訳（メタデータ） (2021-06-28T20:49:41Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。 ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。 このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• 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)

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。