論文の概要: Explanation-Guided Fair Federated Learning for Transparent 6G RAN Slicing

• arxiv url: http://arxiv.org/abs/2307.09494v1
• Date: Tue, 18 Jul 2023 15:50:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 16:24:12.565730
• Title: Explanation-Guided Fair Federated Learning for Transparent 6G RAN Slicing
• Title（参考訳）: 透明6G RANスライシングのための説明誘導フェアフェデレーション学習
• Authors: Swastika Roy, Hatim Chergui, Christos Verikoukis
• Abstract要約: 我々は,信頼に値する予測を保証するために,説明誘導型連合学習(EGFL)方式を設計する。 具体的には,提案した概念を実証するために,スライス当たりのRAN降車確率を推定する。 また、未制限のEGFLに対して比較的25%以上のリコールスコアも改善した。
• 参考スコア（独自算出の注目度）: 0.5156484100374059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Future zero-touch artificial intelligence (AI)-driven 6G network automation requires building trust in the AI black boxes via explainable artificial intelligence (XAI), where it is expected that AI faithfulness would be a quantifiable service-level agreement (SLA) metric along with telecommunications key performance indicators (KPIs). This entails exploiting the XAI outputs to generate transparent and unbiased deep neural networks (DNNs). Motivated by closed-loop (CL) automation and explanation-guided learning (EGL), we design an explanation-guided federated learning (EGFL) scheme to ensure trustworthy predictions by exploiting the model explanation emanating from XAI strategies during the training run time via Jensen-Shannon (JS) divergence. Specifically, we predict per-slice RAN dropped traffic probability to exemplify the proposed concept while respecting fairness goals formulated in terms of the recall metric which is included as a constraint in the optimization task. Finally, the comprehensiveness score is adopted to measure and validate the faithfulness of the explanations quantitatively. Simulation results show that the proposed EGFL-JS scheme has achieved more than $50\%$ increase in terms of comprehensiveness compared to different baselines from the literature, especially the variant EGFL-KL that is based on the Kullback-Leibler Divergence. It has also improved the recall score with more than $25\%$ relatively to unconstrained-EGFL.
• Abstract（参考訳）: 将来のゼロタッチ人工知能(AI)による6Gネットワーク自動化は、説明可能な人工知能(XAI)を通じて、AIブラックボックスへの信頼を構築する必要がある。 これにより、XAI出力を利用して透明で偏りのないディープニューラルネットワーク(DNN)を生成する。 閉ループ(CL)の自動化と説明誘導学習(EGL)によって動機づけられた我々は,Jensen-Shannon(JS)の発散によるトレーニング実行中にXAI戦略から発せられるモデル説明を利用して,信頼に値する予測を保証するための説明誘導連合学習(EGFL)スキームを設計する。 具体的には、最適化タスクに制約として含まれるリコール基準で定式化された公正度目標を尊重しながら、提案概念を実証するために、スライス当たりの交通確率を推定する。 最後に、包括性スコアを用いて、説明の忠実度を定量的に測定し、検証する。 シミュレーションの結果,提案したEGFL-JS スキームは,文献,特に Kullback-Leibler Divergence に基づく変種EGFL-KL と比較して,包括性において 50 % 以上向上していることがわかった。 またリコールスコアも25\%以上向上し、非拘束のEGFLに比例した。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [83.77114091471822]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLの課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータが相手のジャミングに感受性を持つことである。 これは、言語理解に不可欠である大規模言語モデル(LLM)における単語埋め込みパラメータに対して特に顕著である。 無線ネットワーク上でのLLM(R-SFLLM)を用いたレジリエンスSFLのための物理層フレームワークを開発した。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• Explainable AI for Enhancing Efficiency of DL-based Channel Estimation [1.0136215038345013]
  人工知能に基づく意思決定のサポートは、将来の6Gネットワークの重要な要素である。 このようなアプリケーションでは、ブラックボックスモデルとしてAIを使用するのは危険で難しい。 本稿では,無線通信におけるチャネル推定を目的とした新しいXAI-CHESTフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-09T16:24:21Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Towards Bridging the FL Performance-Explainability Trade-Off: A Trustworthy 6G RAN Slicing Use-Case [0.5156484100374059]
  6Gネットワークスライシングには、効率的なリソース割り当てと説明可能な意思決定のための高性能なAIモデルが必要である。 本稿では,新しい説明誘導型インホック・フェデレーション・ラーニング(FL)手法を提案する。 我々は、いわゆる帰属に基づく信頼度測定によって、説明の忠実さを定量的に検証する。
  論文  参考訳（メタデータ） (2023-07-24T15:51:06Z)
• TEFL: Turbo Explainable Federated Learning for 6G Trustworthy Zero-Touch Network Slicing [0.4588028371034407]
  第6世代(6G)ネットワークは、多数の共存および異種スライスをサポートすることを期待している。 実際のデプロイメントにおけるAIブラックボックスの信頼性は、説明可能なAI(XAI)ツールによって達成できる。 本稿では,ターボの原理にヒントを得て,新しい反復的説明可能なフェデレーションラーニング(FL)手法を提案する。
  論文  参考訳（メタデータ） (2022-10-18T20:26:56Z)
• Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic Communication [85.06664206117088]
  6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。 観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。 GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
  論文  参考訳（メタデータ） (2022-05-22T07:11:57Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• An Explainable Artificial Intelligence Framework for Quality-Aware IoE Service Delivery [17.146527100570285]
  本稿では、品質を意識したIoEサービス配信のための説明可能な人工知能(XAI)フレームワークを提供する。 XAI対応品質対応IoEサービス配信アルゴリズムは,アンサンブルベースの回帰モデルを用いて実装されている。 実験の結果, アップリンク改善率はAdaBoostとExtra Treesでそれぞれ42.43%, 16.32%となった。
  論文  参考訳（メタデータ） (2022-01-26T08:59:00Z)
• Machine Learning for Performance Prediction of Channel Bonding in Next-Generation IEEE 802.11 WLANs [1.0486135378491268]
  我々はPompeu Fabra大学(UPF)が主催する問題ステートメント13(PS-013)の結果を提示する。 第一の目標は、チャネルボンディング(CB)技術を適用した次世代無線地域ネットワーク(WLAN)の性能予測であった。
  論文  参考訳（メタデータ） (2021-05-29T05:33:07Z)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。 チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。 最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)

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。