論文の概要: A Robust Machine Learning Approach for Path Loss Prediction in 5G
Networks with Nested Cross Validation
- arxiv url: http://arxiv.org/abs/2310.01030v1
- Date: Mon, 2 Oct 2023 09:21:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 22:43:32.145077
- Title: A Robust Machine Learning Approach for Path Loss Prediction in 5G
Networks with Nested Cross Validation
- Title（参考訳）: ネストクロス検証を用いたロバスト機械学習による5gネットワークの経路損失予測
- Authors: Ibrahim Yaz{\i}c{\i}, and Emre Gures
- Abstract要約: 5Gネットワークシステムにおいて,従来の経路損失予測モデルを克服する機械学習(ML)手法を用いて経路損失予測を行う。
まず,中国北京の都市マクロセルシナリオで実施した総合的な計測キャンペーンから得られたデータセットを取得する。
我々は、経路損失を予測するために、サポートベクトル回帰(SVR)、キャットブースト回帰(CBR)、eXtreme Gradient Boosting Regression(XGBR)、人工ニューラルネットワーク(ANN)、ランダムフォレスト(RF)メソッドをデプロイし、平均絶対誤差(MAE)、平均平方誤差(MSE)で予測結果を比較した。
- 参考スコア（独自算出の注目度）: 0.6138671548064356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The design and deployment of fifth-generation (5G) wireless networks pose
significant challenges due to the increasing number of wireless devices. Path
loss has a landmark importance in network performance optimization, and
accurate prediction of the path loss, which characterizes the attenuation of
signal power during transmission, is critical for effective network planning,
coverage estimation, and optimization. In this sense, we utilize machine
learning (ML) methods, which overcome conventional path loss prediction models
drawbacks, for path loss prediction in a 5G network system to facilitate more
accurate network planning, resource optimization, and performance improvement
in wireless communication systems. To this end, we utilize a novel approach,
nested cross validation scheme, with ML to prevent overfitting, thereby getting
better generalization error and stable results for ML deployment. First, we
acquire a publicly available dataset obtained through a comprehensive
measurement campaign conducted in an urban macro-cell scenario located in
Beijing, China. The dataset includes crucial information such as longitude,
latitude, elevation, altitude, clutter height, and distance, which are utilized
as essential features to predict the path loss in the 5G network system. We
deploy Support Vector Regression (SVR), CatBoost Regression (CBR), eXtreme
Gradient Boosting Regression (XGBR), Artificial Neural Network (ANN), and
Random Forest (RF) methods to predict the path loss, and compare the prediction
results in terms of Mean Absolute Error (MAE) and Mean Square Error (MSE). As
per obtained results, XGBR outperforms the rest of the methods. It outperforms
CBR with a slight performance differences by 0.4 % and 1 % in terms of MAE and
MSE metrics, respectively. On the other hand, it outperforms the rest of the
methods with clear performance differences.
- Abstract（参考訳）: 第5世代(5G)無線ネットワークの設計と展開は、無線デバイスの増加によって大きな課題となっている。
経路損失はネットワーク性能の最適化において著しく重要であり、伝送中の信号パワーの減衰を特徴付ける経路損失の正確な予測は、効果的なネットワーク計画、カバレッジ推定、最適化に重要である。
この意味で、従来の経路損失予測モデルの欠点を克服する機械学習(ML)手法を用いて、5Gネットワークシステムにおける経路損失予測を行い、より正確なネットワーク計画、リソース最適化、無線通信システムの性能向上を図る。
そこで我々は,MLのオーバーフィッティングを防止するために,新しい手法であるネスト型クロスバリデーション方式を用いて,一般化エラーと安定した結果を得る。
まず,中国北京の都市マクロセルシナリオで実施した総合的な計測キャンペーンを通じて得られた公開データセットを入手した。
データセットには、経度、緯度、高度、クラッター高さ、距離などの重要な情報が含まれており、これらは5gネットワークシステムの経路損失を予測するために不可欠な特徴として利用される。
我々は,経路損失を予測するためのサポートベクター回帰(SVR),キャットブースト回帰(CBR),eXtreme Gradient Boosting Regression(XGBR),人工ニューラルネットワーク(ANN),ランダムフォレスト(RF)メソッドをデプロイし,平均絶対誤差(MAE)と平均平方誤差(MSE)で予測結果を比較した。
得られた結果によると、XGBRは残りの方法よりも優れています。
MAE と MSE の基準でそれぞれ 0.4 % と 1 % のわずかな性能差で CBR を上回ります。
一方、メソッドの他の部分よりもパフォーマンスの差がはっきりしています。
関連論文リスト
- PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳（メタデータ） (2023-10-18T02:59:57Z) - SWAP: Sparse Entropic Wasserstein Regression for Robust Network Pruning [9.60349706518775]
本研究では,ニューラルネットワークプルーニングにおける経験的漁獲情報行列の計算における不正確な勾配問題に対処する。
本稿では,最適輸送問題の幾何学的特性を活かした,エントロピー的ワッサースタイン回帰(EWR)の定式化であるSWAPを紹介する。
提案手法は,ネットワークパラメータの4分の1未満のMobileNetV1において,精度が6%向上し,テスト損失が8%向上した。
論文 参考訳（メタデータ） (2023-10-07T21:15:32Z) - A Novel Approach for Machine Learning-based Load Balancing in High-speed
Train System using Nested Cross Validation [0.6138671548064356]
近年,高速列車を含む様々な分野において,第5世代(5G)移動通信網が出現している。
クロスバリデーション方式を用いた機械学習(ML)による高速列車システムのシステム性能をモデル化する。
論文 参考訳（メタデータ） (2023-10-02T09:24:10Z) - Towards Energy-Aware Federated Traffic Prediction for Cellular Networks [2.360352205004026]
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。
論文 参考訳（メタデータ） (2023-09-19T14:28:09Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳（メタデータ） (2023-09-12T13:03:47Z) - Rewarded meta-pruning: Meta Learning with Rewards for Channel Pruning [19.978542231976636]
本稿では,ディープラーニングモデルにおける計算効率向上のためのパラメータとFLOPの削減手法を提案する。
本稿では,ネットワークの精度と計算効率のトレードオフを制御するために,精度と効率係数を導入する。
論文 参考訳（メタデータ） (2023-01-26T12:32:01Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳（メタデータ） (2023-01-20T17:06:34Z) - Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。
既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。
本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
論文 参考訳（メタデータ） (2022-11-01T14:38:18Z) - Switching in the Rain: Predictive Wireless x-haul Network
Reconfiguration [17.891837432766764]
無線x-haulネットワークは、超高速データレートと超低レイテンシをサポートするために、4Gおよび/または5Gベースステーション間のマイクロ波およびミリ波リンクに依存している。
降水は信号の減衰を引き起こし、ネットワーク性能を著しく低下させる。
本研究では,履歴データを用いた予測ネットワーク再構成フレームワークを開発し,各リンクの将来の状態を予測し,瞬時障害に備えてネットワークを前もって準備する。
論文 参考訳（メタデータ） (2022-03-07T13:40:38Z) - On Topology Optimization and Routing in Integrated Access and Backhaul
Networks: A Genetic Algorithm-based Approach [70.85399600288737]
IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。
我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。
メッシュベースのIABネットワークを実現する上での課題について論じる。
論文 参考訳（メタデータ） (2021-02-14T21:52:05Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
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。