論文の概要: ResLearn: Transformer-based Residual Learning for Metaverse Network Traffic Prediction

• arxiv url: http://arxiv.org/abs/2411.11894v1
• Date: Thu, 07 Nov 2024 21:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-24 05:05:01.439693
• Title: ResLearn: Transformer-based Residual Learning for Metaverse Network Traffic Prediction
• Title（参考訳）: ResLearn: メタリバースネットワークトラフィック予測のためのトランスフォーマーに基づく残差学習
• Authors: Yoga Suhas Kuruba Manjunath, Mathew Szymanowski, Austin Wissborn, Mushu Li, Lian Zhao, Xiao-Ping Zhang,
• Abstract要約: 本稿では,メタバースネットワークのトラフィックを予測するための総合的なソリューションを提案する。 まず、仮想現実(VR)、拡張現実(AR)、MR(Mixed Reality)トラフィックの実際のデータセットをキャプチャする最先端のテストベッドを紹介します。 次に,プライバシコンプライアンスを確保しつつ,トラフィックから映像フレームを正確に識別する新しいビューフレーム(VF)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 14.326482788186242
• License:
• Abstract: Our work proposes a comprehensive solution for predicting Metaverse network traffic, addressing the growing demand for intelligent resource management in eXtended Reality (XR) services. We first introduce a state-of-the-art testbed capturing a real-world dataset of virtual reality (VR), augmented reality (AR), and mixed reality (MR) traffic, made openly available for further research. To enhance prediction accuracy, we then propose a novel view-frame (VF) algorithm that accurately identifies video frames from traffic while ensuring privacy compliance, and we develop a Transformer-based progressive error-learning algorithm, referred to as ResLearn for Metaverse traffic prediction. ResLearn significantly improves time-series predictions by using fully connected neural networks to reduce errors, particularly during peak traffic, outperforming prior work by 99%. Our contributions offer Internet service providers (ISPs) robust tools for real-time network management to satisfy Quality of Service (QoS) and enhance user experience in the Metaverse.
• Abstract（参考訳）: 本研究は,eXtended Reality(XR)サービスにおける知的リソース管理の需要の増加に対処するため,Metaverseネットワークトラフィックを予測するための包括的なソリューションを提案する。 まず、仮想現実(VR)、拡張現実(AR)、MR(Mixed Reality)トラフィックの実際のデータセットをキャプチャした最先端のテストベッドを紹介し、さらなる研究のために公開している。 予測精度を向上させるために,プライバシーコンプライアンスを確保しつつ,トラフィックからビデオフレームを正確に識別する新しいビューフレーム(VF)アルゴリズムを提案し,メタバーストラフィック予測のためのResLearnと呼ばれるトランスフォーマーベースのプログレッシブエラー学習アルゴリズムを開発した。 ResLearnは、完全に接続されたニューラルネットワークを使用して、特にピークトラフィック時のエラーを減らすことで、時系列予測を大幅に改善する。 当社のコントリビューションは、インターネットサービスプロバイダ(ISP)に対して、リアルタイムネットワーク管理のための堅牢なツールを提供し、Quality of Service(QoS)を満足させ、Metaverseにおけるユーザエクスペリエンスを向上させる。

関連論文リスト

• Discern-XR: An Online Classifier for Metaverse Network Traffic [14.326482788186242]
  我々は、インターネットサービスプロバイダ(ISP)やルータメーカーがMetaverseサービスの品質を高めるのを支援するために、Disdisern-XRという独占的なMetaverseネットワークトラフィック分類器を設計する。 フレームベクトル表現アルゴリズム(FVR)とフレーム同定アルゴリズム(FIA)を併用して,生のネットワークデータから重要なフレーム関連統計データを抽出する。 A2R-OT(Augmentation, Aggregation, and Retention Online Training)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-07T21:07:49Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。 動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。 実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Cellular Traffic Prediction Using Online Prediction Algorithms [5.416701003120508]
  本稿では,リアルタイムシナリオにおけるセルラーネットワークトラフィック予測におけるライブ予測アルゴリズムの有効性について検討する。 機械学習モデルに2つのライブ予測アルゴリズムを適用し,その1つは最近提案されたFast LiveStream Prediction (FLSP)アルゴリズムである。 本研究は,従来のオンライン予測アルゴリズムと比較して,FLSPアルゴリズムが非同期データレポートに必要な帯域幅を半減できることを明らかにする。
  論文  参考訳（メタデータ） (2024-05-08T17:36:14Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities [9.891703123090528]
  本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。 3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2022-02-08T03:58:39Z)
• CTIN: Robust Contextual Transformer Network for Inertial Navigation [20.86392550313961]
  Inertial Navigation(CTIN)のための頑健なCon Transformerベースのネットワークを提案し,速度と軌道を正確に予測する。 CTINは非常に堅牢で、最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-12-03T19:57:34Z)
• Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
  渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。 今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。 実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。 本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-18T13:49:28Z)
• Dynamic Graph Neural Network for Traffic Forecasting in Wide Area Networks [1.0934800950965335]
  我々は,マルチステップネットワークトラフィック予測のための非自動グラフベースニューラルネットワークを開発した。 我々は,米国エネルギー省の専用科学ネットワークESnetの実際のトラフィックに対するアプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2020-08-28T17:47:11Z)
• Meta-Reinforcement Learning for Trajectory Design in Wireless UAV Networks [151.65541208130995]
  ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。 この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。 新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-25T20:43:59Z)

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。