論文の概要: A Novel Approach for Machine Learning-based Load Balancing in High-speed
Train System using Nested Cross Validation
- arxiv url: http://arxiv.org/abs/2310.01034v1
- Date: Mon, 2 Oct 2023 09:24:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 22:44:24.362382
- Title: A Novel Approach for Machine Learning-based Load Balancing in High-speed
Train System using Nested Cross Validation
- Title（参考訳）: Nested Cross Validation を用いた高速列車システムにおける機械学習に基づく負荷分散の新しい手法
- Authors: Ibrahim Yazici, and Emre Gures
- Abstract要約: 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。
- 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: Fifth-generation (5G) mobile communication networks have recently emerged in
various fields, including highspeed trains. However, the dense deployment of 5G
millimeter wave (mmWave) base stations (BSs) and the high speed of moving
trains lead to frequent handovers (HOs), which can adversely affect the
Quality-of-Service (QoS) of mobile users. As a result, HO optimization and
resource allocation are essential considerations for managing mobility in
high-speed train systems. In this paper, we model system performance of a
high-speed train system with a novel machine learning (ML) approach that is
nested cross validation scheme that prevents information leakage from model
evaluation into the model parameter tuning, thereby avoiding overfitting and
resulting in better generalization error. To this end, we employ ML methods for
the high-speed train system scenario. Handover Margin (HOM) and Time-to-Trigger
(TTT) values are used as features, and several KPIs are used as outputs, and
several ML methods including Gradient Boosting Regression (GBR), Adaptive
Boosting (AdaBoost), CatBoost Regression (CBR), Artificial Neural Network
(ANN), Kernel Ridge Regression (KRR), Support Vector Regression (SVR), and
k-Nearest Neighbor Regression (KNNR) are employed for the problem. Finally,
performance comparisons of the cross validation schemes with the methods are
made in terms of mean absolute error (MAE) and mean square error (MSE) metrics
are made. As per obtained results, boosting methods, ABR, CBR, GBR, with nested
cross validation scheme superiorly outperforms conventional cross validation
scheme results with the same methods. On the other hand, SVR, KNRR, KRR, ANN
with the nested scheme produce promising results for prediction of some KPIs
with respect to their conventional scheme employment.
- Abstract（参考訳）: 第5世代(5g)移動通信ネットワークは最近、高速列車を含む様々な分野で登場している。
しかし、5gミリ波(mmwave)基地局(bss)の密集した配置と列車の高速移動は頻繁なハンドオーバ(hos)につながり、モバイルユーザのqos(quality-of-service)に悪影響を及ぼす可能性がある。
その結果,高速鉄道における移動性管理にはho最適化と資源配分が不可欠である。
本稿では,モデル評価からモデルパラメータチューニングへの情報漏洩を防止し,過剰フィッティングを回避し,よりよい一般化誤差をもたらすクロス検証スキームを用いた,新しい機械学習(ml)手法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。
そこで我々は,高速列車システムのシナリオにML手法を用いる。
Handover Margin (HOM) と Time-to-Trigger (TTT) の値が特徴として使用され、いくつかの KPI が出力として使用され、この問題には、グラディエントブースティング回帰 (GBR)、アダプティブブースティング (AdaBoost)、キャットブースト回帰 (CBR)、人工ニューラルネットワーク (ANN)、カーネルリッジ回帰 (KRR)、サポートベクタ回帰 (SVR)、k-Nearest Neighbor Regression (KNNR) などのMLメソッドが使用されている。
最後に、クロス検証スキームと手法の性能比較を行い、平均絶対誤差(mae)と平均二乗誤差(mse)の測定値を用いて評価する。
その結果, ネスト型クロスバリデーション方式の強化手法であるABR, CBR, GBRは, 従来のクロスバリデーション方式よりも優れていた。
一方, ネスト型スキームを用いたSVR, KNRR, KRR, ANNは, 従来のスキーム利用に関して, いくつかのKPIの予測に有望な結果をもたらす。
関連論文リスト
- A Robust Machine Learning Approach for Path Loss Prediction in 5G
Networks with Nested Cross Validation [0.6138671548064356]
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。
論文 参考訳（メタデータ） (2023-10-02T09:21:58Z) - 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) - 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) - Accurate Discharge Coefficient Prediction of Streamlined Weirs by
Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit [2.4475596711637433]
本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。
提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
論文 参考訳（メタデータ） (2022-04-12T01:59:36Z) - Integrate Lattice-Free MMI into End-to-End Speech Recognition [87.01137882072322]
音声認識(ASR)研究において、識別基準はDNN-HMMシステムにおいて優れた性能を達成している。
このモチベーションにより、差別的基準の採用は、エンドツーエンド(E2E)のASRシステムの性能を高めることを約束している。
これまでの研究は、最小ベイズリスク(MBR、差別基準の一つ)をE2E ASRシステムに導入してきた。
本研究では,他の広く使われている識別基準であるLF-MMIをE2Eに統合する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-29T14:32:46Z) - Hybridization of Capsule and LSTM Networks for unsupervised anomaly
detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。
提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文 参考訳（メタデータ） (2022-02-11T10:33:53Z) - Machine Learning Methods for Spectral Efficiency Prediction in Massive
MIMO Systems [0.0]
本研究では,特定のプリコーディング方式のスペクトル効率(SE)値を最短時間で推定する機械学習手法について検討する。
平均パーセンテージ誤差(MAPE)の最も良い結果は、ソートされた特徴よりも勾配が上昇し、線形モデルは予測精度が悪くなることを示す。
そこで本研究では,Quadrigaシミュレータによって生成される幅広いシナリオにおける提案アルゴリズムの実用性について検討する。
論文 参考訳（メタデータ） (2021-12-29T07:03:10Z) - CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。
CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。
CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
論文 参考訳（メタデータ） (2021-10-21T06:26:31Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - Machine Learning for MU-MIMO Receive Processing in OFDM Systems [14.118477167150143]
従来の線形最小平均二乗誤差(LMMSE)アーキテクチャ上に構築したML強化MU-MIMO受信機を提案する。
cnnはチャネル推定誤差の2次統計量の近似を計算するために用いられる。
CNNベースのデマッパーは、多数の周波数分割多重記号とサブキャリアを共同で処理する。
論文 参考訳（メタデータ） (2020-12-15T09:55:37Z) - 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。