論文の概要: Towards Neural Architecture Search for Transfer Learning in 6G Networks
- arxiv url: http://arxiv.org/abs/2406.02333v1
- Date: Tue, 4 Jun 2024 14:01:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-05 16:00:43.799491
- Title: Towards Neural Architecture Search for Transfer Learning in 6G Networks
- Title（参考訳）: 6Gネットワークにおける伝達学習のためのニューラルアーキテクチャ探索に向けて
- Authors: Adam Orucu, Farnaz Moradi, Masoumeh Ebrahimi, Andreas Johnsson,
- Abstract要約: 本稿では,ニューラルネットワーク検索と伝達学習の現状とネットワークへの適用性について述べる。
オープンな研究課題を特定し、将来のネットワークに特有の要素を持つ3つの主要な要件に特化して方向性を設定します。
- 参考スコア（独自算出の注目度）: 4.863212763542215
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The future 6G network is envisioned to be AI-native, and as such, ML models will be pervasive in support of optimizing performance, reducing energy consumption, and in coping with increasing complexity and heterogeneity. A key challenge is automating the process of finding optimal model architectures satisfying stringent requirements stemming from varying tasks, dynamicity and available resources in the infrastructure and deployment positions. In this paper, we describe and review the state-of-the-art in Neural Architecture Search and Transfer Learning and their applicability in networking. Further, we identify open research challenges and set directions with a specific focus on three main requirements with elements unique to the future network, namely combining NAS and TL, multi-objective search, and tabular data. Finally, we outline and discuss both near-term and long-term work ahead.
- Abstract（参考訳）: 将来の6GネットワークはAIネイティブであると想定されており、MLモデルはパフォーマンスの最適化、エネルギー消費の削減、複雑さと不均一性の増加に対応するために広く利用される。
重要な課題は、様々なタスク、動的性、利用可能なリソースから生じる厳しい要求を満たす最適なモデルアーキテクチャを見つけるプロセスを自動化することである。
本稿では,ニューラルアーキテクチャ検索と伝達学習の現状とネットワークへの適用性について述べる。
さらに、オープンな研究課題を特定し、NASとTL、多目的探索、および表データを組み合わせることで、将来のネットワークに特有の要素を持つ3つの主要な要件に特異的に焦点を絞った方向を設定する。
最後に、今後の短期的および長期的な取り組みについて概説し、議論する。
関連論文リスト
- Evolution and Efficiency in Neural Architecture Search: Bridging the Gap Between Expert Design and Automated Optimization [1.7385545432331702]
本稿では,ニューラルネットワーク検索の概要について概説する。
手動設計から自動化された計算駆動アプローチへの進化を強調している。
医療画像や自然言語処理など、さまざまな分野の応用を強調している。
論文 参考訳（メタデータ） (2024-02-11T18:27:29Z) - OTOv3: Automatic Architecture-Agnostic Neural Network Training and
Compression from Structured Pruning to Erasing Operators [57.145175475579315]
このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。
第3世代のOTOv3(Noth-Train-Once)を導入する。
我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
論文 参考訳（メタデータ） (2023-12-15T00:22:55Z) - Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End
Collaboration [56.330705072736166]
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、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。
実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
論文 参考訳（メタデータ） (2023-10-26T15:19:40Z) - A Survey on Multi-Objective Neural Architecture Search [9.176056742068813]
マルチオブジェクトニューラルアーキテクチャサーチ(MONAS)が注目されている。
本論では, モナスの分野における主要・最先端の著作の概要について述べる。
論文 参考訳（メタデータ） (2023-07-18T09:42:51Z) - 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) - Holistic Network Virtualization and Pervasive Network Intelligence for
6G [14.35331138476144]
ネットワークアーキテクチャの進化と展望を考察し,第6世代(6G)ネットワークのための新しい概念アーキテクチャを提案する。
提案したアーキテクチャは2つの鍵となる要素、すなわち全体論的ネットワーク仮想化と広範人工知能(AI)を持つ。
我々は6Gの潜在的なアーキテクチャに関するさらなる議論と開発を刺激することを目指している。
論文 参考訳（メタデータ） (2023-01-02T04:15:33Z) - SuperNet in Neural Architecture Search: A Taxonomic Survey [14.037182039950505]
このサーベイは、ウェイトシェアリングを使用して、すべてのアーキテクチャをサブモデルとして組み立てるニューラルネットワークを構築するスーパーネット最適化に焦点を当てている。
データ側最適化、低ランク相関緩和、多数のデプロイメントシナリオに対するトランスファー可能なNASなどです。
論文 参考訳（メタデータ） (2022-04-08T08:29:52Z) - Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。
ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。
NASはコンピュータビジョンの幅広い問題に適用されている。
論文 参考訳（メタデータ） (2022-02-15T08:06:50Z) - 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) - Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。
本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
論文 参考訳（メタデータ） (2020-08-24T09:49:19Z) - 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。