Fugu-MT 論文翻訳(概要): Generative Network Layer for Communication Systems with Artificial Intelligence

論文の概要: Generative Network Layer for Communication Systems with Artificial Intelligence

arxiv url: http://arxiv.org/abs/2312.05398v2
Date: Fri, 12 Jan 2024 07:52:16 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 23:54:33.064345
Title: Generative Network Layer for Communication Systems with Artificial Intelligence
Title（参考訳）: 人工知能を用いた通信システムのための生成ネットワーク層
Authors: Mathias Thorsager, Israel Leyva-Mayorga, Beatriz Soret, and Petar Popovski
Abstract要約: 本稿では,中間ノードやエッジノードで生成AI(GenAI)を利用する生成ネットワーク層を提案する。我々はGenAI支援ノードが実質的に圧縮された潜在表現からなるプロンプトから画像を生成するケーススタディを行う。
参考スコア（独自算出の注目度）: 34.67962234401005
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The traditional role of the network layer is the transfer of packet replicas from source to destination through intermediate network nodes. We present a generative network layer that uses Generative AI (GenAI) at intermediate or edge network nodes and analyze its impact on the required data rates in the network. We conduct a case study where the GenAI-aided nodes generate images from prompts that consist of substantially compressed latent representations. The results from network flow analyses under image quality constraints show that the generative network layer can achieve an improvement of more than 100% in terms of the required data rate.
Abstract（参考訳）: ネットワークレイヤの伝統的な役割は、中間ネットワークノードを介してソースから宛先へのパケットレプリカの転送である。本稿では、中間またはエッジのネットワークノードで生成ai(genai)を使用して、そのネットワークに必要なデータレートへの影響を分析する生成ネットワーク層を提案する。我々はGenAI支援ノードが実質的に圧縮された潜在表現からなるプロンプトから画像を生成するケーススタディを行う。画像品質制約下でのネットワークフロー解析の結果から,生成ネットワーク層が要求されるデータレートで100%以上の改善を達成できることが示唆された。

関連論文リスト

GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラル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） (2024-01-17T13:04:23Z)
Learning State-Augmented Policies for Information Routing in Communication Networks [92.59624401684083]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文参考訳（メタデータ） (2023-09-30T04:34:25Z)
Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
論文参考訳（メタデータ） (2023-08-31T05:26:08Z)
Transformer-based Generative Adversarial Networks in Computer Vision: A Comprehensive Survey [26.114550071165628]
Generative Adversarial Networks (GAN) は、与えられたデータセット内の画像を合成するのに非常に成功した。最近の研究は、画像/ビデオ合成において、GANフレームワークのトランスフォーマーを活用しようと試みている。本稿では,コンピュータビジョン応用のためのTransformerネットワークを利用したGANの開発と進歩に関する総合的な調査を行う。
論文参考訳（メタデータ） (2023-02-17T01:13:58Z)
Decomposing neural networks as mappings of correlation functions [57.52754806616669]
本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
論文参考訳（メタデータ） (2022-02-10T09:30:31Z)
Network Embedding via Deep Prediction Model [25.727377978617465]
本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
論文参考訳（メタデータ） (2021-04-27T16:56:00Z)
Lattice Fusion Networks for Image Denoising [4.010371060637209]
本稿では,畳み込みニューラルネットワークにおける特徴融合手法を提案する。これらの手法のいくつかと提案したネットワークは、DAG(Directed Acyclic Graph)ネットワークの一種と見なすことができる。提案したネットワークは、学習可能なパラメータをはるかに少なくして、より良い結果を得ることができる。
論文参考訳（メタデータ） (2020-11-28T18:57:54Z)
Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文参考訳（メタデータ） (2020-10-02T16:50:26Z)
Connectivity-informed Drainage Network Generation using Deep Convolution Generative Adversarial Networks [1.7942265700058988]
すでに生成されたネットワークサンプルから排水網を再現するために,DCGAN(Deep Convolutional Generative Adversarial Networks)を適用した。ドレインジネットワーク画像からドレインジネットワークの各ノード上の流れの方向情報に変換する新しい接続インフォームド手法を開発した。
論文参考訳（メタデータ） (2020-06-16T20:35:48Z)
Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
論文参考訳（メタデータ） (2020-04-01T17:16:47Z)
Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。