Fugu-MT 論文翻訳(概要): Leveraging Large Language Models for Wireless Symbol Detection via In-Context Learning

論文の概要: Leveraging Large Language Models for Wireless Symbol Detection via In-Context Learning

arxiv url: http://arxiv.org/abs/2409.00124v2
Date: Sun, 8 Sep 2024 14:49:46 GMT
ステータス: 処理完了
システム内更新日: 2024-09-10 22:55:38.401900
Title: Leveraging Large Language Models for Wireless Symbol Detection via In-Context Learning
Title（参考訳）: 文脈学習による無線シンボル検出のための大規模言語モデルの活用
Authors: Momin Abbas, Koushik Kar, Tianyi Chen,
Abstract要約: 本稿では,大規模言語モデル(LLM)の文脈内学習能力(即ち,プロンプト)を活用して,学習や微調整をすることなく,低データ体制下での無線タスクを解決することを提案する。この結果から,ICL法によるLCMはシンボル復調作業において従来のDNNよりも優れていたことが判明した。
参考スコア（独自算出の注目度）: 29.28683810366379
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep neural networks (DNNs) have made significant strides in tackling challenging tasks in wireless systems, especially when an accurate wireless model is not available. However, when available data is limited, traditional DNNs often yield subpar results due to underfitting. At the same time, large language models (LLMs) exemplified by GPT-3, have remarkably showcased their capabilities across a broad range of natural language processing tasks. But whether and how LLMs can benefit challenging non-language tasks in wireless systems is unexplored. In this work, we propose to leverage the in-context learning ability (a.k.a. prompting) of LLMs to solve wireless tasks in the low data regime without any training or fine-tuning, unlike DNNs which require training. We further demonstrate that the performance of LLMs varies significantly when employed with different prompt templates. To solve this issue, we employ the latest LLM calibration methods. Our results reveal that using LLMs via ICL methods generally outperforms traditional DNNs on the symbol demodulation task and yields highly confident predictions when coupled with calibration techniques.
Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、特に正確な無線モデルが利用できない場合、無線システムにおいて困難なタスクに取り組むために大きな進歩を遂げている。しかし、利用可能なデータが限られている場合、従来のDNNは不適合のため、しばしば低い結果をもたらす。同時に、GPT-3で実証された大規模言語モデル(LLM)は、広範囲の自然言語処理タスクでその能力を顕著に示した。しかし、LLMがワイヤレスシステムにおける非言語タスクに挑戦する上で、どのように役立つのかは未定だ。本研究では,学習を必要とするDNNとは異なり,LLMのテキスト内学習能力(即ち,プロンプト)を活用して,トレーニングや微調整を行わずに低データ体制下での無線タスクを解くことを提案する。さらに,異なるプロンプトテンプレートを用いた場合,LLMの性能が著しく異なることを示す。この問題を解決するために、我々は最新のLCMキャリブレーション手法を採用した。以上の結果から,ICL法によるLCMの使用はシンボル復調作業において従来のDNNよりも優れており,キャリブレーション手法と組み合わせた場合の信頼性の高い予測が得られた。

関連論文リスト

Towards Explainable Network Intrusion Detection using Large Language Models [3.8436076642278745]
大規模言語モデル(LLM)は、特にチャットエージェントのような自然言語処理タスクに革命をもたらした。本稿では,ネットワーク侵入検知システム(NIDS)におけるLLMの適用可能性について検討する。予備的な調査では、LSMは悪性ネットフローの検出には適していないことが示されている。特に、Retrieval Augmented Generation(RAG)と機能呼び出し機能を統合した場合の脅威応答の説明や支援において、NIDSの補完的エージェントとして有意義な可能性を秘めている。
論文参考訳（メタデータ） (2024-08-08T09:59:30Z)
All Against Some: Efficient Integration of Large Language Models for Message Passing in Graph Neural Networks [51.19110891434727]
事前訓練された知識と強力なセマンティック理解能力を持つ大規模言語モデル(LLM)は、最近、視覚とテキストデータを使用してアプリケーションに恩恵をもたらす顕著な能力を示している。 E-LLaGNNは、グラフから限られたノード数を増やして、グラフ学習のメッセージパッシング手順を強化するオンデマンドLLMサービスを備えたフレームワークである。
論文参考訳（メタデータ） (2024-07-20T22:09:42Z)
SELF-GUIDE: Better Task-Specific Instruction Following via Self-Synthetic Finetuning [70.21358720599821]
大規模言語モデル(LLM)は、適切な自然言語プロンプトを提供する際に、多様なタスクを解決するという約束を持っている。学生LLMからタスク固有の入出力ペアを合成する多段階メカニズムであるSELF-GUIDEを提案する。ベンチマークの指標から,分類タスクに約15%,生成タスクに18%の絶対的な改善を報告した。
論文参考訳（メタデータ） (2024-07-16T04:41:58Z)
Efficient Prompting for LLM-based Generative Internet of Things [88.84327500311464]
大規模言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示しており、最近、IoT(Internet of Things)アプリケーションにLLMの能力を統合することが研究の注目を集めている。セキュリティ上の懸念から、多くの機関は最先端の商用LLMサービスへのアクセスを避け、ローカルネットワーク環境でのオープンソースLLMのデプロイと利用を必要としている。本研究では,LLMを用いた生成IoT(Generative IoT)システムを提案する。
論文参考訳（メタデータ） (2024-06-14T19:24:00Z)
Large Language Models (LLMs) Assisted Wireless Network Deployment in Urban Settings [0.21847754147782888]
大きな言語モデル(LLM)は、言語理解と人間に似たテキスト生成に革命をもたらした。本稿では,6G(第6世代)無線通信技術におけるLCMの電力利用技術について検討する。無線通信におけるネットワーク展開にLLMを利用する新しい強化学習(RL)フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-22T05:19:51Z)
Large Language Models in Wireless Application Design: In-Context Learning-enhanced Automatic Network Intrusion Detection [11.509880721677156]
ネットワークの完全自動侵入検知を実現するための,事前学習型LLMフレームワークを提案する。実際のネットワーク侵入検出データセットの実験により、コンテキスト内学習は極めて有益であることが証明された。 GPT-4では,テスト精度とF1スコアを90%向上できることを示した。
論文参考訳（メタデータ） (2024-05-17T02:56:31Z)
Supervised Knowledge Makes Large Language Models Better In-context Learners [94.89301696512776]
大規模言語モデル(LLM)は、素早い工学を通して、文脈内学習能力の出現を示す。自然言語理解と質問応答におけるLLMの一般化性と事実性の向上という課題は、まだ未解決のままである。本研究では, LLM の信頼性を高める枠組みを提案する。1) 分布外データの一般化,2) 差別モデルによる LLM のメリットの解明,3) 生成タスクにおける幻覚の最小化。
論文参考訳（メタデータ） (2023-12-26T07:24:46Z)
TRACE: A Comprehensive Benchmark for Continual Learning in Large Language Models [52.734140807634624]
調整された大規模言語モデル(LLM)は、タスク解決、指示に従うこと、安全性を確保することにおいて、例外的な能力を示す。既存の連続学習ベンチマークでは、LLMをリードする上で十分な課題が欠如している。 LLMにおける継続学習を評価するための新しいベンチマークであるTRACEを紹介する。
論文参考訳（メタデータ） (2023-10-10T16:38:49Z)
Graph Neural Prompting with Large Language Models [32.97391910476073]
Graph Neural Prompting (GNP)は、知識グラフから有益な知識を学ぶために、事前訓練された言語モデルを支援するための新しいプラグアンドプレイ方式である。複数のデータセットに対する大規模な実験は、常識的および生物医学的推論タスクにおいて、GNPの優位性を示す。
論文参考訳（メタデータ） (2023-09-27T06:33:29Z)
Rethinking Learning Rate Tuning in the Era of Large Language Models [11.87985768634266]
大規模言語モデル(LLM)は、人間のような優れた予測性能を達成するために、近年のディープラーニングの成功を表している。ファインチューニングを活用して、様々な現実世界のアプリケーションにLLMを適用するための主要な戦略となっている。既存の学習率ポリシは、主に従来のディープニューラルネットワーク(DNN)のトレーニング用に設計されている。
論文参考訳（メタデータ） (2023-09-16T03:37:00Z)
Simultaneous Machine Translation with Large Language Models [51.470478122113356]
我々は,SimulMTタスクに大規模言語モデルを適用する可能性を検討する。 MUST-Cデータセットと異なる9言語でtextttLlama2-7b-chatモデルを用いて実験を行った。その結果,LLM は BLEU と LAAL の指標で専用MT モデルよりも優れていた。
論文参考訳（メタデータ） (2023-09-13T04:06:47Z)

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。