論文の概要: Context-Aware Mobile Network Performance Prediction Using Network & Remote Sensing Data

• arxiv url: http://arxiv.org/abs/2405.00220v1
• Date: Tue, 30 Apr 2024 21:55:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 16:56:48.456612
• Title: Context-Aware Mobile Network Performance Prediction Using Network & Remote Sensing Data
• Title（参考訳）: ネットワークとリモートセンシングデータを用いたコンテキスト認識型モバイルネットワーク性能予測
• Authors: Ali Shibli, Tahar Zanouda,
• Abstract要約: 通信ネットワークは膨大な数の無線ノードを提供する。各無線ノードは、関連するカバレッジエリアのエンドユーザにサービスを提供する。 我々のアプローチは、衛星画像データを用いて、ネットワークの過去のパフォーマンスデータセットを増強する。 その結果, 衛星画像を用いたモデルでは, 試験領域間で非常に良好な性能が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate estimation of Network Performance is crucial for several tasks in telecom networks. Telecom networks regularly serve a vast number of radio nodes. Each radio node provides services to end-users in the associated coverage areas. The task of predicting Network Performance for telecom networks necessitates considering complex spatio-temporal interactions and incorporating geospatial information where the radio nodes are deployed. Instead of relying on historical data alone, our approach augments network historical performance datasets with satellite imagery data. Our comprehensive experiments, using real-world data collected from multiple different regions of an operational network, show that the model is robust and can generalize across different scenarios. The results indicate that the model, utilizing satellite imagery, performs very well across the tested regions. Additionally, the model demonstrates a robust approach to the cold-start problem, offering a promising alternative for initial performance estimation in newly deployed sites.
• Abstract（参考訳）: 通信ネットワークにおける複数のタスクにおいて,ネットワーク性能の正確な推定が不可欠である。 通信ネットワークは、定期的に多数の無線ノードに接続する。 各無線ノードは、関連するカバレッジエリアのエンドユーザにサービスを提供します。 通信ネットワークのネットワーク性能を予測するタスクは、複雑な時空間的相互作用を考慮し、無線ノードを配置する地理空間情報を組み込む必要がある。 過去のデータのみに頼るのではなく、衛星画像データによるネットワークの過去のパフォーマンスデータセットを拡張します。 運用ネットワークの複数の異なる領域から収集された実世界のデータを用いた包括的な実験は、モデルが堅牢であり、異なるシナリオをまたいで一般化可能であることを示す。 その結果, 衛星画像を用いたモデルでは, 試験領域をまたいだ性能が良好であることが示唆された。 さらに、このモデルはコールドスタート問題に対する堅牢なアプローチを示し、新しくデプロイされたサイトでの最初のパフォーマンス推定に有望な代替手段を提供する。

関連論文リスト

• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Self-Supervised Transformer Architecture for Change Detection in Radio Access Networks [15.444426578492871]
  通信用Radio Access Networks(RAN)は、数十万の送信デバイス(セル)で構成される相互接続ハードウェアの大規模な集合体を表す。 このようなネットワークは、最適性能のためにシステムパラメータを調整しようとしているネットワークオペレーターによって頻繁に、しばしば異質な変更がなされている。 本稿では,本課題に自己意識と自己蒸留を活用する自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-03T23:04:47Z)
• Domain Adversarial Graph Convolutional Network Based on RSSI and Crowdsensing for Indoor Localization [8.406788215294483]
  少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。 本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-04-06T08:06:27Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Network Generalization Prediction for Safety Critical Tasks in Novel Operating Domains [0.0]
  本稿では,新しい操作領域において期待されるネットワーク性能を予測するタスクネットワーク一般化予測を提案する。 本稿では、解釈可能なコンテキストサブスペースの観点からネットワーク性能を記述し、ネットワーク性能に関する最も優れた情報を提供するコンテキストサブスペースの特徴を選択するための方法論を提案する。
  論文  参考訳（メタデータ） (2021-08-17T01:55:54Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [70.64030011999981]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)
• Generative Conversational Networks [67.13144697969501]
  本稿では,対話エージェントが独自のラベル付き学習データを生成することを学習する,生成会話ネットワーク(Generative Conversational Networks)というフレームワークを提案する。 そこで本研究では,シードデータから学習したベースラインモデルに対して,意図検出が平均35%,スロットタグが平均21%向上したことを示す。
  論文  参考訳（メタデータ） (2021-06-15T23:19:37Z)
• 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)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Inferring Network Structure From Data [1.2437226707039446]
  本稿では,ネットワークの様々なタスクに対する有効性を評価することに焦点を当てたネットワークモデル選択手法を提案する。 このネットワーク定義は、基礎となるシステムの振る舞いをモデル化するためのいくつかの方法において重要であることを実証する。
  論文  参考訳（メタデータ） (2020-04-04T23:30:54Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。