論文の概要: Big-data-driven and AI-based framework to enable personalization in wireless networks

• arxiv url: http://arxiv.org/abs/2306.04887v1
• Date: Thu, 8 Jun 2023 02:30:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 16:44:06.983138
• Title: Big-data-driven and AI-based framework to enable personalization in wireless networks
• Title（参考訳）: ワイヤレスネットワークにおけるパーソナライズを可能にするビッグデータ駆動およびaiベースのフレームワーク
• Authors: Rawan Alkurd, Ibrahim Abualhaol, and Halim Yanikomeroglu
• Abstract要約: 無線ネットワークにパーソナライズを統合するためのビッグデータ駆動型AIベースのパーソナライズフレームワークを提案する。 各ユーザの実際の要件とコンテキストに基づいて、マルチオブジェクトの定式化により、ネットワークは、提供されたユーザの満足度レベルを同時に管理し、最適化することができる。
• 参考スコア（独自算出の注目度）: 20.26379197206863
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Current communication networks use design methodologies that prevent the realization of maximum network efficiency. In the first place, while users' perception of satisfactory service diverges widely, current networks are designed to be a "universal fit," where they are generally over-engineered to deliver services appealing to all types of users. Also, current networks lack user-level data cognitive intelligence that would enable fast personalized network decisions and actions through automation. Thus, in this article, we propose the utilization of AI, big data analytics, and real-time non-intrusive user feedback in order to enable the personalization of wireless networks. Based on each user's actual QoS requirements and context, a multi-objective formulation enables the network to micro-manage and optimize the provided QoS and user satisfaction levels simultaneously. Moreover, in order to enable user feedback tracking and measurement, we propose a user satisfaction model based on the zone of tolerance concept. Furthermore, we propose a big-data-driven and AI-based personalization framework to integrate personalization into wireless networks. Finally, we implement a personalized network prototype to demonstrate the proposed personalization concept and its potential benefits through a case study. The case study shows how personalization can be realized to enable the efficient optimization of network resources such that certain requirement levels of user satisfaction and revenue in the form of saved resources are achieved.
• Abstract（参考訳）: 現在の通信ネットワークは、最大ネットワーク効率の実現を妨げる設計手法を使用している。 そもそも、利用者の満足いくサービスに対する認識は多様化しているが、現在のネットワークは「ユニバーサル・フィット」として設計されており、一般にあらゆる種類のユーザーにアピールするサービスを提供するために過度に設計されている。 また、現在のネットワークには、自動化によるパーソナライズされたネットワークの決定とアクションを高速に行う、ユーザレベルのデータ認知知能がない。 そこで本稿では,無線ネットワークのパーソナライズを実現するために,AI,ビッグデータ分析,リアルタイム非侵襲的ユーザフィードバックの利用を提案する。 各ユーザの実際のQoS要件とコンテキストに基づいて、マルチオブジェクトの定式化により、ネットワークが提供されたQoSとユーザの満足度を同時に管理し、最適化することができる。 さらに,ユーザからのフィードバックの追跡と測定を可能にするために,許容範囲の概念に基づくユーザ満足度モデルを提案する。 さらに、無線ネットワークにパーソナライズを統合するためのビッグデータ駆動型AIベースのパーソナライズフレームワークを提案する。 最後に,提案するパーソナライゼーション概念とそのメリットをケーススタディで実証するために,パーソナライズされたネットワークプロトタイプを実装した。 ケーススタディでは,ネットワークリソースの効率的な最適化を実現するために,ユーザ満足度や収益の一定の要件レベルが達成されるようなパーソナライズを実現する方法を示す。

関連論文リスト

• Towards Intelligent Network Management: Leveraging AI for Network Service Detection [0.0]
  本研究では,高度なネットワークトラフィック分類システムを構築するために機械学習手法を活用することに焦点を当てた。 我々は,様々なネットワークサービスタイプをリアルタイムに識別する,新しいデータ駆動型アプローチを提案する。 本システムは,ネットワークサービスを識別する際,顕著な精度を示す。
  論文  参考訳（メタデータ） (2023-10-14T16:06:11Z)
• Personalized Resource Allocation in Wireless Networks: An AI-Enabled and Big Data-Driven Multi-Objective Optimization [22.77447144331876]
  AI(Artificial Intelligence)は、無線ネットワークの設計と最適化に使用される。 AIの将来の主な応用の1つは、多くのユースケースに対してユーザーレベルのパーソナライズを可能にすることである。 本稿で提唱されるパーソナライズ技術は,ネットワークリソースの不足をマイクロマネジメントするために設計された,インテリジェントなビッグデータ駆動層によって支えられている。
  論文  参考訳（メタデータ） (2023-07-08T00:26:36Z)
• Large Language Models Empowered Autonomous Edge AI for Connected Intelligence [51.269276328087855]
  エッジ人工知能(Edge AI)は、コネクテッドインテリジェンスを実現するための有望なソリューションである。 この記事では、ユーザのさまざまな要件を満たすために自動的に組織化し、適応し、最適化する、自律的なエッジAIシステムのビジョンを示す。
  論文  参考訳（メタデータ） (2023-07-06T05:16:55Z)
• Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
  無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。 我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。 最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-09T09:30:23Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• Energy-Aware Edge Association for Cluster-based Personalized Federated Learning [2.3262774900834606]
  無線ネットワーク上のフェデレートラーニングは、プライバシ保存モデルトレーニングのために、ネットワークエッジにおけるユビキタスインテリジェンスを活用することによって、データ意識のサービスを可能にする。 我々は、類似した好みのユーザデバイスをグループ化するクラスタ化フェデレーション学習を提案し、各クラスタにパーソナライズされたモデルを提供する。 モデル精度、通信資源割り当て、エネルギー消費を共同で考慮し、精度-コストトレードオフ最適化問題を定式化する。
  論文  参考訳（メタデータ） (2022-02-06T07:58:41Z)
• Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
  本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。 私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
  論文  参考訳（メタデータ） (2021-11-11T11:31:20Z)
• Transferable and Distributed User Association Policies for 5G and Beyond Networks [9.727134312677842]
  本研究では,ユーザ・アソシエーションの課題,すなわち,基地局におけるユーザ・アソシエーションの最適割り当てについて検討する。 本稿では,ゼロショット一般化機能を持つユーザ間で転送可能な分散ポリシネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-06-04T15:08:39Z)
• Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G Handover [0.0]
  5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。 小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。 従来のハンドオーバ改善方式とは対照的に,ネットワークモビリティを管理するために,深層学習ニューラルネットワーク(DLNN)を実装した「ディープ・モビリティ」モデルを開発した。
  論文  参考訳（メタデータ） (2021-01-17T00:31:37Z)
• Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
  本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。 このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
  論文  参考訳（メタデータ） (2020-10-30T10:03:48Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。