論文の概要: Design Principles for Generalization and Scalability of AI in Communication Systems

• arxiv url: http://arxiv.org/abs/2306.06251v1
• Date: Fri, 9 Jun 2023 20:46:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 20:12:18.985110
• Title: Design Principles for Generalization and Scalability of AI in Communication Systems
• Title（参考訳）: コミュニケーションシステムにおけるAIの一般化とスケーラビリティのための設計原理
• Authors: Pablo Soldati, Euhanna Ghadimi, Burak Demirel, Yu Wang, Raimundas Gaigalas and Mathias Sintorn
• Abstract要約: 本稿では,通信システムにおける持続的かつスケーラブルなAI統合の設計原理を提案する。 私たちは、ネットワーク環境、インテント、制御タスクをまたいで一般化できるAIアルゴリズムの作成に重点を置いています。 このアプローチにより、AI駆動のRAN関数の限られた数で、より大きな問題に対処し、システムパフォーマンスを改善し、ライフサイクル管理を簡素化できる。
• 参考スコア（独自算出の注目度）: 3.0122000496458328
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial intelligence (AI) has emerged as a powerful tool for addressing complex and dynamic tasks in communication systems, where traditional rule-based algorithms often struggle. However, most AI applications to networking tasks are designed and trained for specific, limited conditions, hindering the algorithms from learning and adapting to generic situations, such as those met across radio access networks (RAN). This paper proposes design principles for sustainable and scalable AI integration in communication systems, focusing on creating AI algorithms that can generalize across network environments, intents, and control tasks. This approach enables a limited number of AI-driven RAN functions to tackle larger problems, improve system performance, and simplify lifecycle management. To achieve sustainability and automation, we introduce a scalable learning architecture that supports all deployed AI applications in the system. This architecture separates centralized learning functionalities from distributed actuation and inference functions, enabling efficient data collection and management, computational and storage resources optimization, and cost reduction. We illustrate these concepts by designing a generalized link adaptation algorithm, demonstrating the benefits of our proposed approach.
• Abstract（参考訳）: 人工知能(AI)は、従来のルールベースのアルゴリズムがしばしば苦労する通信システムにおいて、複雑で動的なタスクに対処するための強力なツールとして登場した。 しかし、ネットワークタスクに対するほとんどのAIアプリケーションは、特定の限られた条件のために設計、訓練されており、LAN(Radio Access Network)にまたがるような一般的な状況へのアルゴリズムの学習と適応を妨げる。 本稿では,コミュニケーションシステムにおける持続的かつスケーラブルなAI統合のための設計原則を提案し,ネットワーク環境,意図,制御タスクをまたいで一般化可能なAIアルゴリズムの開発に焦点をあてる。 このアプローチにより、AI駆動のRAN関数の限られた数で、より大きな問題に対処し、システムパフォーマンスを改善し、ライフサイクル管理を簡素化できる。 持続可能性と自動化を達成するため、システム内のすべてのデプロイされたAIアプリケーションをサポートするスケーラブルな学習アーキテクチャを導入します。 このアーキテクチャは、集中学習機能を分散アクティベーションと推論関数から分離し、効率的なデータ収集と管理、計算とストレージリソースの最適化、コスト削減を可能にする。 これらの概念を一般化リンク適応アルゴリズムの設計により説明し,提案手法の利点を示す。

関連論文リスト

• Parameter Choice and Neuro-Symbolic Approaches for Deep Domain-Invariant Learning [2.0547410497538445]
  ニューロシンボリックAI(NeSy)はシンボリックパラダイムとサブシンボリックパラダイムのギャップを埋める。 NeSy AIシステムは、複数のモデルとメソッドを使用して、見えないドメインに一般化する。 この作業は、さまざまな問題設定に適用可能な、スケーラブルで一般化可能な広義のAIシステムのためのフレームワークを確立する。
  論文  参考訳（メタデータ） (2024-10-08T17:46:35Z)
• Learning Wireless Data Knowledge Graph for Green Intelligent Communications: Methodology and Experiments [36.82287751359216]
  我々は,知識グラフ(KG)の概念をモバイルネットワークのインテリジェントな操作操作に統合した,広汎なマルチレベル(PML)ネイティブAIアーキテクチャを提案する。 我々は、無線通信ネットワークから収集された大規模で複雑なデータを特徴付け、様々なデータフィールド間の関係を分析する。 このアーキテクチャは、AIトレーニング、推論、検証プロセスを強化するだけでなく、通信ネットワークのリソースの浪費とオーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2024-04-16T07:55:34Z)
• Generative AI Agents with Large Language Model for Satellite Networks via a Mixture of Experts Transmission [74.10928850232717]
  本稿では、モデル定式化のための生成人工知能(AI)エージェントを開発し、送信戦略の設計に専門家(MoE)の混合を適用した。 具体的には,大規模言語モデル(LLM)を活用して対話型モデリングパラダイムを構築する。 定式化問題の解法として, MoE-proximal Policy Optimization (PPO) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-14T03:44:54Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Integrating Pre-Trained Language Model with Physical Layer Communications [19.20941153929975]
  本稿では、物理層(PHY)通信機能と統合された実用的なオンデバイスAI通信フレームワークを提案する。 我々のフレームワークは、チャネルノイズによるエンドツーエンドトレーニングを取り入れ、レジリエンスを高め、ベクトル量子化変分オートエンコーダ(VQ-VAE)を効率よく堅牢な通信に組み込み、事前学習エンコーダ・デコーダ変換を用いて一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-02-18T17:27:51Z)
• Multi-Agent Reinforcement Learning for Power Control in Wireless Networks via Adaptive Graphs [1.1861167902268832]
  多エージェント深部強化学習(MADRL)は、電力制御のような幅広い複雑な最適化問題に対処するための有望な手法として登場した。 本稿では,これらの課題を緩和する有効な手段として,分散エージェント間の通信誘導構造としてグラフを用いることを提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:25:40Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• Model-Based Machine Learning for Communications [110.47840878388453]
  モデルベースのアルゴリズムと機械学習をハイレベルな視点で組み合わせるための既存の戦略を見直します。 通信受信機の基本的なタスクの一つであるシンボル検出に注目する。
  論文  参考訳（メタデータ） (2021-01-12T19:55:34Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Path Design and Resource Management for NOMA enhanced Indoor Intelligent Robots [58.980293789967575]
  通信可能な屋内知的ロボット(IR)サービスフレームワークを提案する。 室内レイアウトとチャネル状態を決定論的に記述できるレゴモデリング手法が提案されている。 調査対象の無線マップは、強化学習エージェントを訓練するための仮想環境として呼び出される。
  論文  参考訳（メタデータ） (2020-11-23T21:45:01Z)

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。