論文の概要: Knowledge-Driven Deep Learning Paradigms for Wireless Network
Optimization in 6G
- arxiv url: http://arxiv.org/abs/2402.01665v1
- Date: Mon, 15 Jan 2024 07:47:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-11 17:03:51.387315
- Title: Knowledge-Driven Deep Learning Paradigms for Wireless Network
Optimization in 6G
- Title（参考訳）: 6gにおけるワイヤレスネットワーク最適化のための知識駆動型ディープラーニングパラダイム
- Authors: Ruijin Sun, Nan Cheng, Changle Li, Fangjiong Chen, Wen Chen
- Abstract要約: 知識駆動型ディープラーニングは、実証済みのドメイン知識をニューラルネットワークの構築に統合することを目的としている。
本稿では,無線ネットワークにおける知識駆動型DLの体系的レビューを行う。
- 参考スコア（独自算出の注目度）: 28.84906559528008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the sixth-generation (6G) networks, newly emerging diversified services of
massive users in dynamic network environments are required to be satisfied by
multi-dimensional heterogeneous resources. The resulting large-scale
complicated network optimization problems are beyond the capability of
model-based theoretical methods due to the overwhelming computational
complexity and the long processing time. Although with fast online inference
and universal approximation ability, data-driven deep learning (DL) heavily
relies on abundant training data and lacks interpretability. To address these
issues, a new paradigm called knowledge-driven DL has emerged, aiming to
integrate proven domain knowledge into the construction of neural networks,
thereby exploiting the strengths of both methods. This article provides a
systematic review of knowledge-driven DL in wireless networks. Specifically, a
holistic framework of knowledge-driven DL in wireless networks is proposed,
where knowledge sources, knowledge representation, knowledge integration and
knowledge application are forming as a closed loop. Then, a detailed taxonomy
of knowledge integration approaches, including knowledge-assisted,
knowledge-fused, and knowledge-embedded DL, is presented. Several open issues
for future research are also discussed. The insights offered in this article
provide a basic principle for the design of network optimization that
incorporates communication-specific domain knowledge and DL, facilitating the
realization of intelligent 6G networks.
- Abstract（参考訳）: 第6世代(6G)ネットワークでは、動的ネットワーク環境における大規模ユーザの新たな多様化サービスが多次元異種資源で満たされることが求められている。
結果として生じる大規模な複雑なネットワーク最適化問題は、計算の複雑さと長い処理時間のために、モデルに基づく理論手法の能力を超えている。
高速なオンライン推論と普遍近似能力を持つが、データ駆動型ディープラーニング(DL)は豊富なトレーニングデータに大きく依存し、解釈可能性に欠ける。
これらの問題を解決するために、ニューラルネットワークの構築に実証済みのドメイン知識を統合することを目的として、知識駆動型DLと呼ばれる新しいパラダイムが登場した。
本稿では,ワイヤレスネットワークにおける知識駆動dlの体系的レビューを行う。
具体的には,無線ネットワークにおける知識駆動型DLの全体的枠組みを提案し,知識源,知識表現,知識統合,知識アプリケーションなどがクローズドループとして形成されている。
次に、知識支援、知識融合、知識組み込みDLを含む知識統合アプローチの詳細な分類について述べる。
今後の研究の課題もいくつか議論されている。
本稿では、通信固有のドメイン知識とDLを組み込んだネットワーク最適化設計の基本原則として、インテリジェントな6Gネットワークの実現を促進する。
関連論文リスト
- GIVE: Structured Reasoning with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを統合する新しい推論フレームワークである。
本手法は,ゴールド回答検索ではなく,専門家の問題解決に類似した論理的・段階的推論手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T03:05:06Z) - Aligning Knowledge Graphs Provided by Humans and Generated from Neural Networks in Specific Tasks [5.791414814676125]
本稿では,ニューラルネットワークによる知識グラフの生成と活用を可能にする革新的な手法を提案する。
われわれのアプローチは、従来の単語の埋め込みモデルへの依存を排除し、ニューラルネットワークから概念をマイニングし、それらを人間の知識と直接整合させる。
実験により,本手法は人間の知識と密接に一致したネットワーク生成概念を連続的に捕捉し,これまでヒトが認識していなかった新しい有用な概念を発見できることがわかった。
論文 参考訳（メタデータ） (2024-04-23T20:33:17Z) - Synergistic information supports modality integration and flexible
learning in neural networks solving multiple tasks [107.8565143456161]
本稿では,様々な認知タスクを行う単純な人工ニューラルネットワークが採用する情報処理戦略について検討する。
結果は、ニューラルネットワークが複数の多様なタスクを学習するにつれて、シナジーが増加することを示している。
トレーニング中に無作為にニューロンを停止させると、ネットワークの冗長性が増加し、ロバスト性の増加に対応する。
論文 参考訳（メタデータ） (2022-10-06T15:36:27Z) - Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic
Communication [85.06664206117088]
6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。
観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。
GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
論文 参考訳（メタデータ） (2022-05-22T07:11:57Z) - Information Flow in Deep Neural Networks [0.6922389632860545]
ディープニューラルネットワークの動作や構造に関する包括的な理論的理解は存在しない。
深層ネットワークはしばしば、不明確な解釈と信頼性を持つブラックボックスと見なされる。
この研究は、情報理論の原理と技法をディープラーニングモデルに適用し、理論的理解を高め、より良いアルゴリズムを設計することを目的としている。
論文 参考訳（メタデータ） (2022-02-10T23:32:26Z) - Contextualized Knowledge-aware Attentive Neural Network: Enhancing
Answer Selection with Knowledge [77.77684299758494]
ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。
まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。
KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
論文 参考訳（メタデータ） (2021-04-12T05:52:20Z) - Smart Grid: A Survey of Architectural Elements, Machine Learning and
Deep Learning Applications and Future Directions [0.0]
ビッグデータ分析、機械学習(ML)、ディープラーニング(DL)は、この膨大なデータの分析と貴重な洞察の生成において重要な役割を果たす。
本稿では、スマートグリッドのコンテキストにおいて、スマートグリッドアーキテクチャ要素、機械学習、ディープラーニングベースのアプリケーションおよびアプローチを調査し、調査する。
論文 参考訳（メタデータ） (2020-10-16T01:40:24Z) - 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) - 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。