論文の概要: Towards Energy-Aware Federated Traffic Prediction for Cellular Networks

• arxiv url: http://arxiv.org/abs/2309.10645v1
• Date: Tue, 19 Sep 2023 14:28:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 14:14:18.061590
• Title: Towards Energy-Aware Federated Traffic Prediction for Cellular Networks
• Title（参考訳）: セルネットワークにおけるエネルギアウェアフェデレーショントラヒック予測に向けて
• Authors: Vasileios Perifanis, Nikolaos Pavlidis, Selim F. Yilmaz, Francesc Wilhelmi, Elia Guerra, Marco Miozzo, Pavlos S. Efraimidis, Paolo Dini, Remous-Aris Koutsiamanis
• Abstract要約: 本稿では機械学習モデル(ML)の実現可能性を評価するための新しいサステナビリティ指標を提案する。 スペイン・バルセロナ地区の基地局(BS)からの実測値を用いて,最先端のディープラーニング(DL)アーキテクチャを連邦シナリオで評価した。 以上の結果から,より大きなMLモデルでは性能が著しく向上するが,炭素フットプリントの面では環境への影響が大きいことが示唆された。
• 参考スコア（独自算出の注目度）: 2.360352205004026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cellular traffic prediction is a crucial activity for optimizing networks in fifth-generation (5G) networks and beyond, as accurate forecasting is essential for intelligent network design, resource allocation and anomaly mitigation. Although machine learning (ML) is a promising approach to effectively predict network traffic, the centralization of massive data in a single data center raises issues regarding confidentiality, privacy and data transfer demands. To address these challenges, federated learning (FL) emerges as an appealing ML training framework which offers high accurate predictions through parallel distributed computations. However, the environmental impact of these methods is often overlooked, which calls into question their sustainability. In this paper, we address the trade-off between accuracy and energy consumption in FL by proposing a novel sustainability indicator that allows assessing the feasibility of ML models. Then, we comprehensively evaluate state-of-the-art deep learning (DL) architectures in a federated scenario using real-world measurements from base station (BS) sites in the area of Barcelona, Spain. Our findings indicate that larger ML models achieve marginally improved performance but have a significant environmental impact in terms of carbon footprint, which make them impractical for real-world applications.
• Abstract（参考訳）: セルラートラフィック予測は第5世代(5g)ネットワークにおけるネットワーク最適化にとって重要な活動であり、より正確な予測はインテリジェントネットワーク設計、リソース割り当て、異常緩和に不可欠である。 機械学習(ML)は、ネットワークトラフィックを効果的に予測するための有望なアプローチであるが、単一のデータセンタにおける大規模データの集中化は、機密性、プライバシ、データ転送要求に関する問題を提起する。 これらの課題に対処するために、フェデレーション学習(fl)は並列分散計算による高精度な予測を提供する魅力的なmlトレーニングフレームワークとして登場している。 しかし、これらの方法の環境への影響はしばしば見過ごされ、持続可能性に疑問を投げかける。 本稿では,MLモデルの実現可能性を評価する新しいサステナビリティ指標を提案することにより,FLの精度とエネルギー消費のトレードオフに対処する。 そこで,スペイン・バルセロナ地区の基地局(BS)からの実測値を用いて,最先端のディープラーニング(DL)アーキテクチャを包括的に評価した。 以上の結果から, 大規模mlモデルによる性能改善は少ないが, カーボンフットプリントの面では環境への影響が大きいことが明らかとなった。

関連論文リスト

• Electrical Load Forecasting in Smart Grid: A Personalized Federated Learning Approach [9.687203504689563]
  スマートグリッドの電力管理と安定性には電力負荷予測が不可欠である。 従来の機械学習(ML)手法は負荷予測によく使用されるが、データ共有は必要である。 フェデレートラーニング(FL)は、データ交換なしでローカルSMで分散MLモデルを実行することでこの問題に対処できる。
  論文  参考訳（メタデータ） (2024-11-15T22:44:50Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Poisoning Attacks on Federated Learning-based Wireless Traffic Prediction [4.968718867282096]
  Federated Learning (FL)は、複数の基地局でグローバルコントロールモデルをトレーニングするための分散フレームワークを提供する。 これは、無線トラフィック予測(WTP)のようなアプリケーションにとって理想的であり、ネットワークリソースの最適化において重要な役割を果たす。 FLベースの分散無線システムのセキュリティ面、特に回帰ベースのWTP問題については、その約束にもかかわらず、不適切な調査が続けられている。
  論文  参考訳（メタデータ） (2024-04-22T17:50:27Z)
• Data-driven Energy Efficiency Modelling in Large-scale Networks: An Expert Knowledge and ML-based Approach [8.326834499339107]
  本稿では,通信ネットワーク(SRCON)フレームワークのシミュレーション現実について紹介する。 ライブのネットワークデータを活用し、機械学習(ML)とエキスパートベースのモデルをブレンドする。 その結果、ネットワークエネルギー効率のモデリングにオペレーターが使用する最先端技術よりも大きな効果が得られた。
  論文  参考訳（メタデータ） (2023-12-31T10:03:08Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
  フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。 最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。 本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
  論文  参考訳（メタデータ） (2023-03-23T02:42:10Z)
• Federated Learning for 5G Base Station Traffic Forecasting [0.0]
  基地局LTEデータに分散学習を適用した時系列予測の有効性について検討した。 この結果から,フェデレートされた設定に適応した学習アーキテクチャは,集中型設定に等価な予測誤差をもたらすことがわかった。 さらに,基地局における前処理技術により予測精度が向上する一方,先進的な統合アグリゲータは単純なアプローチを超越しない。
  論文  参考訳（メタデータ） (2022-11-28T11:03:29Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)
• Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
  機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。 本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
  論文  参考訳（メタデータ） (2020-08-06T12:37:14Z)

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。