論文の概要: Federated Transfer Learning Based Cooperative Wideband Spectrum Sensing with Model Pruning

• arxiv url: http://arxiv.org/abs/2409.05462v2
• Date: Fri, 13 Sep 2024 13:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 15:56:16.977131
• Title: Federated Transfer Learning Based Cooperative Wideband Spectrum Sensing with Model Pruning
• Title（参考訳）: モデルプルーニングを用いた協調広帯域スペクトルセンシングによるフェデレーション伝達学習
• Authors: Jibin Jia, Peihao Dong, Fuhui Zhou, Qihui Wu,
• Abstract要約: サブニキストサンプリングを可能にするために,マルチコセット前処理を利用するWSSニューラルネットワーク(WSSNet)を提案する。 複数のSUを動員するFTL(Federated Transfer Learning)ベースのフレームワークをさらに発展させ,様々なシナリオに適応可能なロバストモデルを実現する。
• 参考スコア（独自算出の注目度）: 19.303303020775555
• License:
• Abstract: For ultra-wideband and high-rate wireless communication systems, wideband spectrum sensing (WSS) is critical, since it empowers secondary users (SUs) to capture the spectrum holes for opportunistic transmission. However, WSS encounters challenges such as excessive costs of hardware and computation due to the high sampling rate, as well as robustness issues arising from scenario mismatch. In this paper, a WSS neural network (WSSNet) is proposed by exploiting multicoset preprocessing to enable the sub-Nyquist sampling, with the two dimensional convolution design specifically tailored to work with the preprocessed samples. A federated transfer learning (FTL) based framework mobilizing multiple SUs is further developed to achieve a robust model adaptable to various scenarios, which is paved by the selective weight pruning for the fast model adaptation and inference. Simulation results demonstrate that the proposed FTL-WSSNet achieves the fairly good performance in different target scenarios even without local adaptation samples.
• Abstract（参考訳）: 超広帯域・高レート無線通信システムでは、広帯域スペクトルセンシング(WSS)が重要である。 しかし、WSSは、高いサンプリングレートによるハードウェアと計算の過大なコストや、シナリオミスマッチに起因する堅牢性の問題に直面する。 本稿では,WSSニューラルネット (WSSNet) をマルチコセット前処理を利用してサブニキストサンプリングを実現し,前処理したサンプルの処理に適した2次元畳み込み設計を提案する。 複数のSUを動員するフェデレートトランスファーラーニング(FTL)ベースのフレームワークをさらに発展させ,高速なモデル適応と推論のための選択的なウェイトプルーニングにより,様々なシナリオに適応可能なロバストモデルを実現する。 シミュレーションの結果、FTL-WSSNetは、局所的な適応サンプルを使わずとも、異なるターゲットシナリオでかなり良い性能が得られることが示された。

関連論文リスト

• Adaptive Federated Learning in Heterogeneous Wireless Networks with Independent Sampling [15.027267764009052]
  Federated Learning (FL)アルゴリズムは、ストラグラー問題に対処し、通信効率を向上させるために、クライアントのランダムなサブセットをサンプリングする。 近年、様々なクライアントサンプリング手法が提案されているが、結合系やデータの不均一性には制限がある。 本稿では,FLのウォールクロック時間を最小限に抑えるため,新たなクライアントサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-02-15T16:51:38Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Sampling-Priors-Augmented Deep Unfolding Network for Robust Video Compressive Sensing [1.7372440481022124]
  本稿では,SPA-DUN(Samping-Priors-Augmented Deep Unfolding Network)を提案する。 最適化にインスパイアされたディープ展開フレームワークでは、軽量で効率的なU-netを使用してモデルを縮小する。 シミュレーションと実データセットの両方の実験により、SPA-DUNは1つのモデルで様々なサンプリング設定に適用可能であるだけでなく、驚くべき効率でSOTAの性能も達成できることが示された。
  論文  参考訳（メタデータ） (2023-07-14T12:05:14Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Proximal Policy Optimization-based Transmit Beamforming and Phase-shift Design in an IRS-aided ISAC System for the THz Band [90.45915557253385]
  テラヘルツ(THz)帯で動作するIRS支援統合センシング・通信(ISAC)システムを提案し,システム容量を最大化する。 透過ビームフォーミングと位相シフト設計はエルゴード制約を伴う普遍最適化問題に変換される。
  論文  参考訳（メタデータ） (2022-03-21T09:15:18Z)
• Device Sampling for Heterogeneous Federated Learning: Theory, Algorithms, and Implementation [24.084053136210027]
  グラフシーケンシャル畳み込みネットワーク(GCN)に基づくサンプリング手法を開発した。 提案手法は,全機器の5%以下をサンプリングしながら,訓練されたモデル精度と必要なリソース利用の両面で,fedl(federated learning)を実質的に上回っている。
  論文  参考訳（メタデータ） (2021-01-04T05:59:50Z)
• Sparse Multi-Family Deep Scattering Network [14.932318540666543]
  DSN(Deep Scattering Network)の解釈可能性を活用した新しいアーキテクチャを提案する。 SMF-DSNは散乱係数の多様性を高めてDSNを強化し、(ii)非定常雑音に対するロバスト性を向上させる。
  論文  参考訳（メタデータ） (2020-12-14T16:06:14Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。