論文の概要: A Federated Channel Modeling System using Generative Neural Networks

• arxiv url: http://arxiv.org/abs/2305.18856v1
• Date: Tue, 30 May 2023 08:50:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 17:18:46.018348
• Title: A Federated Channel Modeling System using Generative Neural Networks
• Title（参考訳）: 生成型ニューラルネットワークを用いたフェデレーションチャネルモデリングシステム
• Authors: Saira Bano, Pietro Cassar\`a, Nicola Tonellotto, Alberto Gotta
• Abstract要約: 本研究では,無人航空機におけるミリ波無線ネットワークにおける空対地チャネル推定のためのデータ駆動方式を提案する。 我々は、チャネル推定にフェデレートラーニング(FL)を用い、低高度プラットフォームと地上端末との間の空対地経路損失を予測する。 提案モデルの有効性を評価するため,Kullback-Leibler divergence (KL) と,モデルが生成した合成データ分布と実際のデータ分布とのワッサーシュタイン距離を用いて,その性能を評価する。
• 参考スコア（独自算出の注目度）: 8.424767096311928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper proposes a data-driven approach to air-to-ground channel estimation in a millimeter-wave wireless network on an unmanned aerial vehicle. Unlike traditional centralized learning methods that are specific to certain geographical areas and inappropriate for others, we propose a generalized model that uses Federated Learning (FL) for channel estimation and can predict the air-to-ground path loss between a low-altitude platform and a terrestrial terminal. To this end, our proposed FL-based Generative Adversarial Network (FL-GAN) is designed to function as a generative data model that can learn different types of data distributions and generate realistic patterns from the same distributions without requiring prior data analysis before the training phase. To evaluate the effectiveness of the proposed model, we evaluate its performance using Kullback-Leibler divergence (KL), and Wasserstein distance between the synthetic data distribution generated by the model and the actual data distribution. We also compare the proposed technique with other generative models, such as FL-Variational Autoencoder (FL-VAE) and stand-alone VAE and GAN models. The results of the study show that the synthetic data generated by FL-GAN has the highest similarity in distribution with the real data. This shows the effectiveness of the proposed approach in generating data-driven channel models that can be used in different regions
• Abstract（参考訳）: 本稿では,無人航空機のミリ波無線ネットワークにおける空対地チャネル推定のためのデータ駆動手法を提案する。 特定の地理的領域に特有で他に不適切である従来の集中型学習手法とは異なり、チャネル推定にフェデレート学習(fl)を使用し、低高度プラットフォームと地上端末の間の空対地経路損失を予測できる一般化モデルを提案する。 この目的のために提案するFL-GAN(Generative Adversarial Network)は,異なる種類のデータ分布を学習し,トレーニングフェーズ前の事前データ解析を必要とせず,同じ分布から現実的なパターンを生成する生成データモデルとして機能するように設計されている。 提案モデルの有効性を評価するため,Kullback-Leibler divergence (KL) と,モデルが生成した合成データ分布と実際のデータ分布とのワッサーシュタイン距離を用いて,その性能を評価する。 また,提案手法をFL-Variational Autoencoder (FL-VAE) やスタンドアローンVAE, GANモデルなど,他の生成モデルと比較した。 その結果,fl-ganが生成する合成データと実データとの分布の類似度が最も高いことがわかった。 これは、異なる領域で使用できるデータ駆動チャネルモデル作成における提案手法の有効性を示す。

関連論文リスト

• Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
  拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。 本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。 提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
  論文  参考訳（メタデータ） (2024-09-13T02:23:55Z)
• Everything to the Synthetic: Diffusion-driven Test-time Adaptation via Synthetic-Domain Alignment [76.44483062571611]
  テスト時間適応(TTA)は、未知のシフト対象ドメインでテストする場合、ソースドメイン事前訓練モデルの性能を向上させることを目的としている。 従来のTTA手法は、主にターゲットデータストリームに基づいてモデルの重みを適応し、ターゲットデータの量と順序に敏感なモデル性能を実現する。 最近の拡散駆動型TTA法は非条件拡散モデルを用いて強い性能を示した。
  論文  参考訳（メタデータ） (2024-06-06T17:39:09Z)
• A Priori Uncertainty Quantification of Reacting Turbulence Closure Models using Bayesian Neural Networks [0.0]
  反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。 我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。 このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
  論文  参考訳（メタデータ） (2024-02-28T22:19:55Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Generative Diffusion Models for Radio Wireless Channel Modelling and Sampling [11.09458914721516]
  チャネルモデリングの複雑さと高品質な無線チャネルデータの収集コストが大きな課題となっている。 本稿では,拡散モデルに基づくチャネルサンプリング手法を提案する。 モード崩壊や不安定なトレーニングに苦しむ既存のGANベースのアプローチと比較して,拡散型アプローチは多種多様な高忠実度サンプルを合成し,生成することを示した。
  論文  参考訳（メタデータ） (2023-08-10T13:49:26Z)
• Phoenix: A Federated Generative Diffusion Model [6.09170287691728]
  大規模な集中型データセットで生成モデルをトレーニングすることで、データのプライバシやセキュリティ、アクセシビリティといった面での課題が発生する可能性がある。 本稿では,フェデレートラーニング(FL)技術を用いて,複数のデータソースにまたがる拡散確率モデル(DDPM)の学習手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T01:43:09Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• UAV-aided Wireless Node Localization Using Hybrid Radio Channel Models [19.374861475180712]
  我々は,UAV-ユーザリンクチャネルモデルパラメータとUAVのアンテナ放射パターンを推定する必要のある未知として扱う。 従来の経路損失モデルとUAVアンテナゲイン関数を近似したニューラルネットワークを組み合わせたハイブリッドチャネルモデルを提案する。 次に,学習したハイブリッドチャネルモデルと環境の3次元マップを併用した粒子群最適化手法を用いて,地上ユーザを正確にローカライズする。
  論文  参考訳（メタデータ） (2022-05-06T16:04:42Z)
• Distributed Conditional Generative Adversarial Networks (GANs) for Data-Driven Millimeter Wave Communications in UAV Networks [116.94802388688653]
  無人航空機(UAV)無線ネットワークにおけるミリ波(mmWave)通信のための,データ駆動型空対地(A2G)チャネル推定手法を提案する。 実効的なチャネル推定手法を開発し、各UAVは、各ビームフォーミング方向に沿って条件付き生成対向ネットワーク(CGAN)を介してスタンドアロンチャネルモデルを訓練することができる。 分散CGANアーキテクチャに基づく協調的なフレームワークを開発し、各UAVがmmWaveチャネルの分布を協調的に学習できるようにする。
  論文  参考訳（メタデータ） (2021-02-02T20:56:46Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)

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。