論文の概要: How Generative Models Improve LOS Estimation in 6G Non-Terrestrial Networks

• arxiv url: http://arxiv.org/abs/2305.18845v1
• Date: Tue, 30 May 2023 08:36:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 17:32:09.405966
• Title: How Generative Models Improve LOS Estimation in 6G Non-Terrestrial Networks
• Title（参考訳）: 6G非地球ネットワークにおける生成モデルによるLOS推定の改善
• Authors: Saira Bano, Achilles Machumilane, Pietro Cassar\`a, Alberto Gotta
• Abstract要約: LOS(Line-Of-Sight)は、衛星間と衛星間の両方のセグメントリンクに対して必要である。 本稿では,地球外6GネットワークにおけるLOS推定のための合成データ生成に生成モデルを用いる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）: 0.18352113484137625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the advent of 5G and the anticipated arrival of 6G, there has been a growing research interest in combining mobile networks with Non-Terrestrial Network platforms such as low earth orbit satellites and Geosynchronous Equatorial Orbit satellites to provide broader coverage for a wide range of applications. However, integrating these platforms is challenging because Line-Of-Sight (LOS) estimation is required for both inter satellite and satellite-to-terrestrial segment links. Machine Learning (ML) techniques have shown promise in channel modeling and LOS estimation, but they require large datasets for model training, which can be difficult to obtain. In addition, network operators may be reluctant to disclose their network data due to privacy concerns. Therefore, alternative data collection techniques are needed. In this paper, a framework is proposed that uses generative models to generate synthetic data for LOS estimation in non-terrestrial 6G networks. Specifically, the authors show that generative models can be trained with a small available dataset to generate large datasets that can be used to train ML models for LOS estimation. Furthermore, since the generated synthetic data does not contain identifying information of the original dataset, it can be made publicly available without violating privacy
• Abstract（参考訳）: 5gの出現と6gの到来により、モバイルネットワークと低軌道衛星や地球同期赤道軌道衛星などの非地球ネットワークプラットフォームを組み合わせることで、幅広い応用範囲をカバーする研究が増えている。 しかし、これらのプラットフォームの統合は、衛星間および衛星間セグメントリンクにおいてLOS(Line-Of-Sight)推定が必要であるため、難しい。 機械学習(ML)技術はチャネルモデリングとLOS推定において有望であるが、モデルトレーニングには大規模なデータセットを必要とするため、入手が困難である。 さらに、ネットワークオペレーターは、プライバシー上の懸念からネットワークデータを開示しないかもしれない。 そのため、代替データ収集技術が必要である。 本稿では,地球外6GネットワークにおけるLOS推定のための合成データ生成に生成モデルを用いるフレームワークを提案する。 具体的には、生成モデルを利用可能な小さなデータセットでトレーニングすることで、LOS推定のためにMLモデルをトレーニングするために使用できる大規模なデータセットを生成することができることを示す。 さらに、生成された合成データは、元のデータセットの識別情報を含まないため、プライバシーを侵害することなく公開することができる。

関連論文リスト

• Hierarchical Learning and Computing over Space-Ground Integrated Networks [40.19542938629252]
  地上IoTデバイス上で,局所的に訓練されたモデルに対してグローバルアグリゲーションサービスを提供するための階層的学習・計算フレームワークを提案する。 モデルアグリゲーションのネットワークエネルギー問題を定式化し、これはDST問題であることが判明した。 代用有向グラフ上で最小スパンニングアーボラッセンスを求めることでDST問題を解決するためのトポロジカル・アウェア・エネルギ効率・ルーティング(TAEER)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-26T09:05:43Z)
• Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
  実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。 我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。 あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
  論文  参考訳（メタデータ） (2024-07-03T16:08:05Z)
• How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
  ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。 モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。 本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-04T13:55:06Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Olive Branch Learning: A Topology-Aware Federated Learning Framework for Space-Air-Ground Integrated Network [19.059950250921926]
  SAGINの助けを借りてAIモデルをトレーニングすることは、高度に制約されたネットワークトポロジ、非効率なデータ転送、プライバシー問題といった課題に直面している。 まず,SAGINのための新しいトポロジ対応フェデレーション学習フレームワーク,すなわちOlive Branch Learning (OBL)を提案する。 我々はOBLフレームワークとCNASAアルゴリズムを拡張し、より複雑なマルチ軌道衛星ネットワークに適応する。
  論文  参考訳（メタデータ） (2022-12-02T14:51:42Z)
• A Synthetic Dataset for 5G UAV Attacks Based on Observable Network Parameters [3.468596481227013]
  本稿では,5G以降のネットワークにおける無人航空機(UAV)攻撃のための最初の合成データセットを提案する。 このデータの主な目的は、UAV通信セキュリティのためのディープネットワーク開発を可能にすることである。 提案したデータセットは、都市環境において、静的または移動中のUAV攻撃者が認証されたUAVをターゲットにする際のネットワーク機能に関する洞察を提供する。
  論文  参考訳（メタデータ） (2022-11-05T15:12:51Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。