論文の概要: Enabling Intelligent Vehicular Networks Through Distributed Learning in
the Non-Terrestrial Networks 6G Vision
- arxiv url: http://arxiv.org/abs/2310.05899v1
- Date: Thu, 7 Sep 2023 22:18:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 14:25:04.725372
- Title: Enabling Intelligent Vehicular Networks Through Distributed Learning in
the Non-Terrestrial Networks 6G Vision
- Title（参考訳）: 非地上ネットワーク6Gビジョンにおける分散学習によるインテリジェント車両ネットワークの実現
- Authors: David Naseh, Swapnil Sadashiv Shinde, and Daniele Tarchi
- Abstract要約: 6G対応のインテリジェントトランスポーテーションシステム(ITS)は、先進的なインテリジェントサービスとアプリケーションで従来の交通ネットワークを再定義する。
これらの技術は、レイテンシ、エネルギー効率、ユーザデータセキュリティの厳しい要件を課している。
本稿では,資源制約型車両シナリオのための共同空地ネットワークにおいて,FSTL(Federated Split Transfer Learning)の概念を導入する。
- 参考スコア（独自算出の注目度）: 0.5461938536945721
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The forthcoming 6G-enabled Intelligent Transportation System (ITS) is set to
redefine conventional transportation networks with advanced intelligent
services and applications. These technologies, including edge computing,
Machine Learning (ML), and network softwarization, pose stringent requirements
for latency, energy efficiency, and user data security. Distributed Learning
(DL), such as Federated Learning (FL), is essential to meet these demands by
distributing the learning process at the network edge. However, traditional FL
approaches often require substantial resources for satisfactory learning
performance. In contrast, Transfer Learning (TL) and Split Learning (SL) have
shown effectiveness in enhancing learning efficiency in resource-constrained
wireless scenarios like ITS. Non-terrestrial Networks (NTNs) have recently
acquired a central place in the 6G vision, especially for boosting the
coverage, capacity, and resilience of traditional terrestrial facilities.
Air-based NTN layers, such as High Altitude Platforms (HAPs), can have added
advantages in terms of reduced transmission distances and flexible deployments
and thus can be exploited to enable intelligent solutions for latency-critical
vehicular scenarios. With this motivation, in this work, we introduce the
concept of Federated Split Transfer Learning (FSTL) in joint air-ground
networks for resource-constrained vehicular scenarios. Simulations carried out
in vehicular scenarios validate the efficacy of FSTL on HAPs in NTN,
demonstrating significant improvements in addressing the demands of ITS
applications.
- Abstract（参考訳）: 6G対応のインテリジェントトランスポーテーションシステム(ITS)は、先進的なインテリジェントサービスとアプリケーションで従来の交通ネットワークを再定義する。
エッジコンピューティング、機械学習(ML)、ネットワークのソフトウォーゼーションを含むこれらの技術は、レイテンシ、エネルギー効率、ユーザデータセキュリティに対する厳しい要件を課している。
ネットワークエッジで学習プロセスを分散することにより,これらのニーズを満たすためには,フェデレーション学習(fl)などの分散学習(dl)が不可欠である。
しかしながら、従来のflアプローチでは、十分な学習性能を得るために十分なリソースを必要とすることが多い。
対照的に、Transfer Learning (TL) と Split Learning (SL) は、ITSのようなリソース制約のある無線シナリオにおける学習効率を向上させる効果を示した。
NTN(Non-terrestrial Networks)は最近、6Gビジョンの中心的地位を獲得し、特に従来の地上施設のカバー、容量、レジリエンスを高めた。
High Altitude Platforms (HAPs)のような空気ベースのNTNレイヤは、送信距離の削減と柔軟なデプロイメントという面でのアドバンテージを追加できるため、レイテンシクリティカルな車両シナリオに対するインテリジェントなソリューションを実現するために利用することができる。
このモチベーションにより,本研究では,資源制約型車両シナリオのための統合空中ネットワークにおけるfederated split transfer learning (fstl)の概念を導入する。
車両シナリオで実施されたシミュレーションでは、NTNのHAP上でFSTLの有効性が検証され、ITSアプリケーションの要求に対処する上で大きな改善が見られた。
関連論文リスト
- Model Partition and Resource Allocation for Split Learning in Vehicular Edge Networks [24.85135243655983]
本稿では,これらの課題に対処する新しいU字型分割学習(U-SFL)フレームワークを提案する。
U-SFLは、生のデータとラベルの両方をVU側に置くことで、プライバシー保護を強化することができる。
通信効率を最適化するために,送信データの次元を著しく低減する意味認識型自動エンコーダ(SAE)を導入する。
論文 参考訳（メタデータ） (2024-11-11T07:59:13Z) - Snake Learning: A Communication- and Computation-Efficient Distributed Learning Framework for 6G [16.384569776333873]
Snake Learning"は6Gネットワークのための費用対効果の高い分散学習フレームワークである。
モデルレイヤの指定された部分を個々のノード上で順次トレーニングする。
モデルトレーニングフェーズにおけるストレージ、メモリ、通信の要件を削減します。
論文 参考訳（メタデータ） (2024-05-06T11:25:59Z) - RIS-empowered Topology Control for Distributed Learning in Urban Air
Mobility [35.04722426910211]
アーバン・エアモビリティ(UAM)は、輸送システムの革命として想定される、地上から地上に近い空間に車両を拡大する。
この課題を克服するために、リソース制限されたデバイスが協調的に深層学習(DL)を行うことを可能にするために、フェデレーション・ラーニング(FL)や他の協調学習が提案されている。
本稿では,分散学習を支援する再構成可能なインテリジェントサーフェス (RIS) について検討する。
論文 参考訳（メタデータ） (2024-03-08T08:05:50Z) - Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。
本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。
CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
論文 参考訳（メタデータ） (2022-10-10T10:05:00Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳（メタデータ） (2022-05-27T13:09:29Z) - 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) - Making a Case for Federated Learning in the Internet of Vehicles and
Intelligent Transportation Systems [6.699060157800401]
車両のインターネット(IoV)はインテリジェント交通システム(ITS)に変換されます。
これらの課題に対処するために,協調的分散知能技術である連合学習が提案されている。
多数のユースケースとメリットを備えたFederated Learningは、ITSの重要なイネーブラーであり、5Gおよびネットワークやアプリケーションを超えて広く実装される予定です。
論文 参考訳（メタデータ） (2021-02-19T20:07:17Z) - 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) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。