論文の概要: FoMo: A Foundation Model for Mobile Traffic Forecasting with Diffusion Model

• arxiv url: http://arxiv.org/abs/2410.15322v1
• Date: Sun, 20 Oct 2024 07:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:20:16.906289
• Title: FoMo: A Foundation Model for Mobile Traffic Forecasting with Diffusion Model
• Title（参考訳）: FoMo:拡散モデルによるモバイルトラフィック予測の基礎モデル
• Authors: Haoye Chai, Shiyuan Zhang, Xiaoqian Qi, Yong Li,
• Abstract要約: モバイルトラフィック予測のための革新的なファンデーションモデル(FoMo)を提案する。 FoMoは、ネットワーク計画と最適化をサポートするために、複数の都市にまたがる短期・長期予測と分布生成の多様な予測タスクを処理する。 9つの実世界のデータセットに対する大規模な実験により、FoMoは多様な予測タスクやゼロ/フェーショット学習に関する現在のモデルより優れています。
• 参考スコア（独自算出の注目度）: 5.96737388771505
• License:
• Abstract: Mobile traffic forecasting allows operators to anticipate network dynamics and performance in advance, offering substantial potential for enhancing service quality and improving user experience. However, existing models are often task-oriented and are trained with tailored data, which limits their effectiveness in diverse mobile network tasks of Base Station (BS) deployment, resource allocation, energy optimization, etc. and hinders generalization across different urban environments. Foundation models have made remarkable strides across various domains of NLP and CV due to their multi-tasking adaption and zero/few-shot learning capabilities. In this paper, we propose an innovative Foundation model for Mo}bile traffic forecasting (FoMo), aiming to handle diverse forecasting tasks of short/long-term predictions and distribution generation across multiple cities to support network planning and optimization. FoMo combines diffusion models and transformers, where various spatio-temporal masks are proposed to enable FoMo to learn intrinsic features of different tasks, and a contrastive learning strategy is developed to capture the correlations between mobile traffic and urban contexts, thereby improving its transfer learning capability. Extensive experiments on 9 real-world datasets demonstrate that FoMo outperforms current models concerning diverse forecasting tasks and zero/few-shot learning, showcasing a strong universality. We further deploy the FoMo on the JiuTian optimization platform of China Mobile, where we use the predicted mobile data to formulate network planning and optimization applications, including BS deployment, resource block scheduling, and BS sleep control.
• Abstract（参考訳）: モバイルトラフィック予測により、オペレーターは事前にネットワークのダイナミクスとパフォーマンスを予測でき、サービス品質の向上とユーザエクスペリエンスの向上に大きな可能性を秘めている。 しかし、既存のモデルはタスク指向であり、基地局(BS)の配置、資源配分、エネルギー最適化などの多様なモバイルネットワークタスクにおける有効性を制限し、異なる都市環境における一般化を妨げている。 ファンデーションモデルは、マルチタスク適応とゼロ/フェーショット学習機能により、NLPとCVのさまざまな領域で顕著な進歩を遂げている。 本稿では,ネットワーク計画と最適化を支援するために,複数の都市にまたがる短期・長期予測と分布生成の多様な予測タスクを扱うことを目的とした,モイビル交通予測(FoMo)のための革新的なファンデーションモデルを提案する。 FoMoは拡散モデルとトランスフォーマーを組み合わせることで,FoMoが様々なタスクの内在的特徴を学習できるように様々な時空間マスクが提案され,モバイルトラフィックと都市環境の相関を捉えるためのコントラスト学習戦略が開発され,伝達学習能力が改善される。 9つの実世界のデータセットに対する大規模な実験により、FoMoは多様な予測タスクやゼロ/フェーショット学習に関する現在のモデルより優れており、強い普遍性を示している。 そこでは予測されたモバイルデータを用いて,BSデプロイメントやリソースブロックスケジューリング,BS睡眠制御など,ネットワーク計画と最適化のアプリケーションを定式化します。

関連論文リスト

• On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
  マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。 広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。 そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T13:15:50Z)
• AgentMove: Predicting Human Mobility Anywhere Using Large Language Model based Agentic Framework [7.007450097312181]
  本稿では,世界中の都市において,汎用的な移動予測を実現するためのエージェント予測フレームワークであるAgentMoveを紹介する。 AgentMoveでは、まず移動予測タスクを3つのサブタスクに分解し、それに対応するモジュールを設計してこれらのサブタスクを完成させる。 12都市の2つの情報源によるモビリティデータの実験では、AgentMoveはさまざまな指標において8%以上で最高のベースラインを達成している。
  論文  参考訳（メタデータ） (2024-08-26T02:36:55Z)
• FedMoE: Personalized Federated Learning via Heterogeneous Mixture of Experts [4.412721048192925]
  我々は、データ不均一性に対処するための効率的パーソナライズされたFederated LearningフレームワークであるFedMoEを紹介する。 FedMoEは2つの微調整段階から構成されており、第1段階では、観測されたアクティベーションパターンに基づいて探索を行うことで問題を単純化する。 第2段階では、これらのサブモデルはさらなるトレーニングのためにクライアントに配布され、サーバ集約のために返される。
  論文  参考訳（メタデータ） (2024-08-21T03:16:12Z)
• Prioritizing Modalities: Flexible Importance Scheduling in Federated Multimodal Learning [5.421492821020181]
  Federated Learning(FL)は、デバイスがローカルデータを共有せずにモデルを協調的にトレーニングできる分散機械学習アプローチである。 FLを実世界のデータに適用することは、特に既存のFL研究が不正なデータに焦点を当てているため、課題を提示している。 我々は,各モードエンコーダのトレーニングリソースを適応的に割り当てることで,MFLにおける計算効率を向上させる新しい手法FlexModを提案する。
  論文  参考訳（メタデータ） (2024-08-13T01:14:27Z)
• Delving into Multi-modal Multi-task Foundation Models for Road Scene Understanding: From Learning Paradigm Perspectives [56.2139730920855]
  本稿では,道路シーンに特化して設計されたMM-VUFMの系統解析について述べる。 本研究の目的は,タスク特化モデル,統合マルチモーダルモデル,統合マルチタスクモデル,基礎モデル推進技術など,共通プラクティスの包括的概要を提供することである。 我々は、クローズドループ駆動システム、解釈可能性、エンボディドドライブエージェント、世界モデルなど、重要な課題と今後のトレンドに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-02-05T12:47:09Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• Effective Adaptation in Multi-Task Co-Training for Unified Autonomous Driving [103.745551954983]
  本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。 彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。 汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-19T12:15:31Z)
• FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
  フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。 我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。 そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-20T04:55:18Z)
• Multi-Graph Fusion Networks for Urban Region Embedding [40.97361959702485]
  ヒトの移動データから都市部の埋め込みを学習することで、地域の機能を明らかにすることができ、犯罪予測のような相関性はあるものの異なるタスクを可能にする。 クロスドメイン予測タスクを実現するために,MGFN(Multi-graph fusion Network)を提案する。 実験の結果、提案されたMGFNは最先端の手法よりも最大12.35%優れていた。
  論文  参考訳（メタデータ） (2022-01-24T15:48:50Z)
• WiFiMod: Transformer-based Indoor Human Mobility Modeling using Passive Sensing [25.901165832790493]
  WiFiModはトランスフォーマーベースのデータ駆動型アプローチで、屋内の人間の移動を複数の空間スケールでモデル化する。 WiFiModは、現在の最先端モデルよりも少なくとも10%高い精度で予測できる。 WiFiModの現実的な3つの応用を提示する - (i) 新型コロナウイルスやICIの政策決定のための高密度ホットポケットを予測し、 (ii) 屋内モビリティの現実的なシミュレーションを作成し、 (iii) パーソナルアシスタントを設計する。
  論文  参考訳（メタデータ） (2021-04-20T08:45:17Z)

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。