論文の概要: Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework

• arxiv url: http://arxiv.org/abs/2310.17471v2
• Date: Sun, 13 Apr 2025 09:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:43:40.894308
• Title: Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework
• Title（参考訳）: 6G Native-AI Networkに向けて: ファンデーションモデルに基づくクラウド-Edge-Endコラボレーションフレームワーク
• Authors: Xiang Chen, Zhiheng Guo, Xijun Wang, Howard H. Yang, Chenyuan Feng, Shuangfeng Han, Xiaoyun Wang, Tony Q. S. Quek,
• Abstract要約: データ、AIモデル、運用パラダイムの観点から、6GネイティブAIを達成する上での課題を分析します。 基礎モデルに基づく6GネイティブAIフレームワークを提案し、専門家の知識の統合方法を提供し、2種類のPFMのカスタマイズを提示し、ネイティブAIフレームワークの新たな運用パラダイムを概説する。
• 参考スコア（独自算出の注目度）: 55.73948386625618
• License:
• Abstract: Future wireless communication networks are in a position to move beyond data-centric, device-oriented connectivity and offer intelligent, immersive experiences based on multi-agent collaboration, especially in the context of the thriving development of pre-trained foundation models (PFM) and the evolving vision of 6G native artificial intelligence (AI). Therefore, redefining modes of collaboration between devices and agents, and constructing native intelligence libraries become critically important in 6G. In this paper, we analyze the challenges of achieving 6G native AI from the perspectives of data, AI models, and operational paradigm. Then, we propose a 6G native AI framework based on foundation models, provide an integration method for the expert knowledge, present the customization for two kinds of PFM, and outline a novel operational paradigm for the native AI framework. As a practical use case, we apply this framework for orchestration, achieving the maximum sum rate within a cell-free massive MIMO system, and presenting preliminary evaluation results. Finally, we outline research directions for achieving native AI in 6G.
• Abstract（参考訳）: 将来の無線通信ネットワークは、データ中心のデバイス指向のコネクティビティを超えて、マルチエージェントコラボレーションに基づくインテリジェントで没入的なエクスペリエンスを提供する立場にある。 したがって、6Gでは、デバイスとエージェント間のコラボレーションのモードを再定義し、ネイティブインテリジェンスライブラリを構築することが重要である。 本稿では,データ,AIモデル,運用パラダイムの観点から,6GネイティブAIを実現する上での課題を分析する。 次に、基礎モデルに基づく6GネイティブAIフレームワークを提案し、エキスパート知識の統合方法を提供し、2種類のPFMのカスタマイズを提示し、ネイティブAIフレームワークの新たな運用パラダイムを概説する。 実例として, この枠組みをオーケストレーションに適用し, セルフリー大規模MIMOシステムにおける最大和率を達成し, 予備評価結果を提示する。 最後に、6GでネイティブAIを実現するための研究の方向性について概説する。

関連論文リスト

• Towards Cognitive Service Delivery on B5G through AIaaS Architecture [0.16070833439280313]
  4Gから5Gへの移行は、ビジネス分野に向けたネットワークの統合において、AIに重大な意味を持つ。 本稿では,AI能力B5Gと6Gでコアネットワークをさらに強化するために必要なインターフェースを提示するNWDAFの進化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-23T20:30:29Z)
• Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities [148.601430677814]
  本稿では,6GネットワークにおけるAIと通信の概要を概観する。 我々はまず、AIを無線通信に組み込むことの背景にある要因と、AIと6Gの収束のビジョンを概観する。 講演はその後、6Gネットワーク内でAIの統合を想定する詳細な説明へと移行する。
  論文  参考訳（メタデータ） (2024-12-19T05:36:34Z)
• Decentralized Multi-Party Multi-Network AI for Global Deployment of 6G Wireless Systems [31.754166695074353]
  本稿では、大規模にデプロイされた6GネットワークにAIを統合するための分散マルチパーティ・マルチネットワークAI(DMMAI)フレームワークを紹介する。 DMMAIは、さまざまなネットワークプラットフォームにわたるAI駆動コントロールを調和させ、自らを自律的に構成、監視、修復するネットワークを促進する。 弊社のアプローチでは、マルチネットワークオーケストレーションとAIコントロールの統合について検討し、6GネットワークにおけるAI駆動のコーディネーションのための標準フレームワークにおける重要なギャップを埋める。
  論文  参考訳（メタデータ） (2024-04-15T15:21:25Z)
• AI-native Interconnect Framework for Integration of Large Language Model Technologies in 6G Systems [3.5370806221677245]
  本稿では,Large Language Models (LLM) とGeneralized Pretrained Transformer (GPT) のシームレスな統合を6Gシステムで検討する。 LLMとGPTは、従来の前世代のAIと機械学習(ML)アルゴリズムとともに、共同で中心的なステージに立つ。
  論文  参考訳（メタデータ） (2023-11-10T02:59:16Z)
• Optimization Design for Federated Learning in Heterogeneous 6G Networks [27.273745760946962]
  フェデレーテッド・ラーニング(FL)は、6GネットワークでユビキタスAIを実現するための重要な実現手段として期待されている。 6Gネットワークにおける有効かつ効率的なFL実装には、いくつかのシステムおよび統計的不均一性の課題がある。 本稿では,これらの課題に効果的に対処できる最適化手法について検討する。
  論文  参考訳（メタデータ） (2023-03-15T02:18:21Z)
• In-situ Model Downloading to Realize Versatile Edge AI in 6G Mobile Networks [61.416494781759326]
  In-situモデルダウンロードは、ネットワーク内のAIライブラリからダウンロードすることで、デバイス上のAIモデルを透過的でリアルタイムに置き換えることを目的としている。 提示されたフレームワークの重要なコンポーネントは、ダウンロードされたモデルを深さレベル、パラメータレベル、ビットレベルで動的に圧縮する一連のテクニックである。 我々は,3層(エッジ,ローカル,中央)AIライブラリのキー機能を備えた,インサイトモデルダウンロードのデプロイ用にカスタマイズされた6Gネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T13:41:15Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。 ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。 このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• Federated Learning for 6G Communications: Challenges, Methods, and Future Directions [71.31783903289273]
  6Gとフェデレーション学習の統合を導入し、6Gのための潜在的なフェデレーション学習アプリケーションを提供する。 6G通信の文脈において,重要な技術的課題,それに対応するフェデレーション学習手法,および今後のフェデレーション学習研究のためのオープンな課題について述べる。
  論文  参考訳（メタデータ） (2020-06-04T15:17:19Z)

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。