論文の概要: Decentralized Multi-Party Multi-Network AI for Global Deployment of 6G Wireless Systems
- arxiv url: http://arxiv.org/abs/2407.01544v1
- Date: Mon, 15 Apr 2024 15:21:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 22:28:39.844169
- Title: Decentralized Multi-Party Multi-Network AI for Global Deployment of 6G Wireless Systems
- Title（参考訳）: 6G無線システムのグローバル展開のための分散マルチパーティマルチネットワークAI
- Authors: Merim Dzaferagic, Marco Ruffini, Nina Slamnik-Krijestorac, Joao F. Santos, Johann Marquez-Barja, Christos Tranoris, Spyros Denazis, Thomas Kyriakakis, Panagiotis Karafotis, Luiz DaSilva, Shashi Raj Pandey, Junya Shiraishi, Petar Popovski, Soren Kejser Jensen, Christian Thomsen, Torben Bach Pedersen, Holger Claussen, Jinfeng Du, Gil Zussman, Tingjun Chen, Yiran Chen, Seshu Tirupathi, Ivan Seskar, Daniel Kilper,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 31.754166695074353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiple visions of 6G networks elicit Artificial Intelligence (AI) as a central, native element. When 6G systems are deployed at a large scale, end-to-end AI-based solutions will necessarily have to encompass both the radio and the fiber-optical domain. This paper introduces the Decentralized Multi-Party, Multi-Network AI (DMMAI) framework for integrating AI into 6G networks deployed at scale. DMMAI harmonizes AI-driven controls across diverse network platforms and thus facilitates networks that autonomously configure, monitor, and repair themselves. This is particularly crucial at the network edge, where advanced applications meet heightened functionality and security demands. The radio/optical integration is vital due to the current compartmentalization of AI research within these domains, which lacks a comprehensive understanding of their interaction. Our approach explores multi-network orchestration and AI control integration, filling a critical gap in standardized frameworks for AI-driven coordination in 6G networks. The DMMAI framework is a step towards a global standard for AI in 6G, aiming to establish reference use cases, data and model management methods, and benchmarking platforms for future AI/ML solutions.
- Abstract（参考訳）: 6Gネットワークの複数のビジョンは、人工知能(AI)を中央のネイティブ要素として引き起こす。
6Gシステムが大規模にデプロイされる場合、エンドツーエンドのAIベースのソリューションは、必ずしも無線と光ファイバーの両方を包含する必要がある。
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。
これは、高度なアプリケーションが機能強化とセキュリティ要求を満たすネットワークエッジにおいて特に重要である。
無線/光学統合は、これらの領域におけるAI研究の現在の構成化により、その相互作用に関する包括的な理解が欠如しているため、不可欠である。
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。
DMMAIフレームワークは、6GにおけるAIのグローバル標準へのステップであり、リファレンスユースケース、データとモデル管理方法、将来のAI/MLソリューションのためのベンチマークプラットフォームを確立することを目指している。
関連論文リスト
- 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) - 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) - 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) - Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and
Applications [39.223546118441476]
6Gはワイヤレスの進化を「コネクテッドモノ」から「コネクテッドインテリジェンス」に変革する
ディープラーニングとビッグデータ分析に基づくAIシステムは、膨大な計算と通信資源を必要とする。
エッジAIは、センサー、通信、計算、インテリジェンスをシームレスに統合する6Gの破壊的技術として際立っている。
論文 参考訳（メタデータ） (2021-11-24T11:47:16Z) - Single and Multi-Agent Deep Reinforcement Learning for AI-Enabled
Wireless Networks: A Tutorial [29.76086936463468]
このチュートリアルは、AI対応の6Gネットワークのための深層マルチエージェント強化学習(MARL)に焦点を当て、DRL(Deep Reinforcement Learning)の役割に焦点を当てている。
本稿では, 単エージェント RL と MARL の数学的枠組みについて概説する。
モデルベースRL(MBRL)や協調MARLなどのRLアルゴリズムを選択的に記述する。
論文 参考訳（メタデータ） (2020-11-06T22:12:40Z) - 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) - Towards Ubiquitous AI in 6G with Federated Learning [43.318721658647014]
Federated Learning(FL)は、異種および潜在的に大規模ネットワークにおけるデータ駆動型AIソリューションを可能にする、新興の分散AIソリューションである。
FLベースのネットワークアーキテクチャを提案し、6Gで期待される新しい課題に対処する可能性について論じる。
論文 参考訳（メタデータ） (2020-04-26T13:05:29Z)
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。