論文の概要: Science-Informed Deep Learning (ScIDL) With Applications to Wireless Communications

• arxiv url: http://arxiv.org/abs/2407.07742v1
• Date: Sat, 29 Jun 2024 02:35:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 13:58:01.801348
• Title: Science-Informed Deep Learning (ScIDL) With Applications to Wireless Communications
• Title（参考訳）: ScIDL(Science-Informed Deep Learning)と無線通信への応用
• Authors: Atefeh Termehchi, Ekram Hossain, Isaac Woungang,
• Abstract要約: 本稿では,ScIDL(Science-informed Deep Learning)に関するチュートリアルを紹介する。 ScIDLは、既存の科学知識をDL技術と統合し、より強力なアルゴリズムを開発することを目的としている。 我々は、ScidLの最近の応用と、無線通信分野における今後の研究方向性について論じる。
• 参考スコア（独自算出の注目度）: 11.472232944923558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the extensive and growing capabilities offered by deep learning (DL), more researchers are turning to DL to address complex challenges in next-generation (xG) communications. However, despite its progress, DL also reveals several limitations that are becoming increasingly evident. One significant issue is its lack of interpretability, which is especially critical for safety-sensitive applications. Another significant consideration is that DL may not comply with the constraints set by physics laws or given security standards, which are essential for reliable DL. Additionally, DL models often struggle outside their training data distributions, which is known as poor generalization. Moreover, there is a scarcity of theoretical guidance on designing DL algorithms. These challenges have prompted the emergence of a burgeoning field known as science-informed DL (ScIDL). ScIDL aims to integrate existing scientific knowledge with DL techniques to develop more powerful algorithms. The core objective of this article is to provide a brief tutorial on ScIDL that illustrates its building blocks and distinguishes it from conventional DL. Furthermore, we discuss both recent applications of ScIDL and potential future research directions in the field of wireless communications.
• Abstract（参考訳）: ディープラーニング(DL)によって提供される広範囲で成長する能力を考えると、次世代(xG)通信における複雑な課題に対処するために、多くの研究者がDLに目を向けている。 しかし、その進歩にもかかわらず、DLはますます明らかになりつつあるいくつかの制限も明らかにしている。 重要な問題のひとつは、特に安全性に敏感なアプリケーションにとって重要な、解釈可能性の欠如である。 もう1つの重要な考慮事項は、DLが信頼性のあるDLに不可欠な物理法則や所定のセキュリティ基準に従わないことである。 さらに、DLモデルは訓練データ分布の外で苦戦することが多く、これは一般化の貧弱さとして知られている。 さらに、DLアルゴリズムの設計に関する理論的ガイダンスは乏しい。 これらの課題は、ScIDL(Science-informed DL)として知られる新興分野の出現を促している。 ScIDLは、既存の科学知識をDL技術と統合し、より強力なアルゴリズムを開発することを目的としている。 この記事の中核となる目的は、ScidLに関する簡単なチュートリアルを提供することで、そのビルディングブロックを図示し、従来のDLと区別することです。 さらに、ScidLの最近の応用と、無線通信分野における今後の研究方向性についても論じる。

関連論文リスト

• DLAP: A Deep Learning Augmented Large Language Model Prompting Framework for Software Vulnerability Detection [12.686480870065827]
  本稿では,ディープラーニング(DL)モデルとLLM(Large Language Models)モデルの両方を最大限に組み合わせて,例外的な脆弱性検出性能を実現するフレームワークである textbfDLAP について述べる。 実験の結果、DLAPは、ロールベースのプロンプト、補助情報プロンプト、チェーン・オブ・シントプロンプト、コンテキスト内学習プロンプトなど、最先端のプロンプトフレームワークより優れていることが確認された。
  論文  参考訳（メタデータ） (2024-05-02T11:44:52Z)
• Knowledge Crosswords: Geometric Knowledge Reasoning with Large Language Models [49.23348672822087]
  構造化された事実制約に縛られた不完全な知識ネットワークからなるベンチマークである知識クロスワードを提案する。 幾何学的知識推論の新しい設定は、既存の原子/線形マルチホップQAを超える新しいLM能力を必要とする。 我々は,既存のLLMと知識クロスワードのアプローチを評価するために,広範囲な実験を行っている。
  論文  参考訳（メタデータ） (2023-10-02T15:43:53Z)
• Causal Reasoning: Charting a Revolutionary Course for Next-Generation AI-Native Wireless Networks [63.246437631458356]
  次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。 本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。 因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
  論文  参考訳（メタデータ） (2023-09-23T00:05:39Z)
• Deep Learning in Healthcare: An In-Depth Analysis [1.892561703051693]
  本稿では,Deep Learningモデルとそのバイオインフォマティクスおよび医療への応用について概説する。 また、DL研究の実施中に現われうるいくつかの重要な課題についても検討する。
  論文  参考訳（メタデータ） (2023-02-12T20:55:34Z)
• Physics-guided deep learning for data scarcity [23.885971319823547]
  物理誘導ディープラーニング(英: Physics-guided Deep Learning, PGDL)は、ニューラルネットワークのトレーニングに物理法則を統合する新しいタイプのDLである。 力学、ファイナンス、医療応用などの物理法則によって制御され、管理されるあらゆるシステムに使用することができる。 本稿では、PGDLの詳細を解明し、様々なアプリケーションにおけるデータ不足に関するPGDLの構造化概要について述べる。
  論文  参考訳（メタデータ） (2022-11-24T01:03:21Z)
• Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
  本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。 また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
  論文  参考訳（メタデータ） (2022-06-14T04:55:11Z)
• Zeroth-Order SciML: Non-intrusive Integration of Scientific Software with Deep Learning [46.924429562606086]
  本稿では,SKSと深層学習(DL)の学習プロセスを統合することを提案する。 既存の知識統合アプローチは、一階のDLトレーニングパラダイムと互換性のある差別化可能な知識ソースを使用することに限定されます。 提案手法は、DLトレーニングと科学的知識を効果的に統合し、データ限定科学応用のための純粋にデータ駆動モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-04T17:52:42Z)
• Deep Learning and Traffic Classification: Lessons learned from a commercial-grade dataset with hundreds of encrypted and zero-day applications [72.02908263225919]
  商業用DLトラフィック分類エンジンでの経験を共有します。 暗号化トラフィックから既知のアプリケーションや未知のゼロデイアプリケーションを特定します。 DLモデルに合わせ、最新技術よりも正確で軽量な新しい手法を提案します。
  論文  参考訳（メタデータ） (2021-04-07T15:21:22Z)
• An Empirical Study on Deployment Faults of Deep Learning Based Mobile Applications [7.58063287182615]
  モバイルディープラーニング(DL)アプリは、大規模データを使用してトレーニングされたDLモデルとDLプログラムを統合する。 本稿では,モバイルdlアプリのデプロイ障害に関する最初の総合的研究を行う。 我々は,断層症状に関する23のカテゴリからなる微粒度分類を構築し,異なる断層タイプに対する共通修正戦略を蒸留する。
  論文  参考訳（メタデータ） (2021-01-13T08:19:50Z)
• A Survey of Deep Active Learning [54.376820959917005]
  アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。 ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。 ディープラーニング(Deep Active Learning, DAL)が誕生した。
  論文  参考訳（メタデータ） (2020-08-30T04:28:31Z)
• Deep Learning for Source Code Modeling and Generation: Models, Applications and Challenges [5.4052819252055055]
  自然言語処理のためのディープラーニング(DL)技術は急速に進化してきた。 近年,言語モデリング,機械翻訳,段落理解の進歩が目覚ましいため,ソフトウェア工学におけるDLの可能性を見落とせない。
  論文  参考訳（メタデータ） (2020-02-13T11:02:51Z)

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。