論文の概要: Optimizing LoRa for Edge Computing with TinyML Pipeline for Channel Hopping

• arxiv url: http://arxiv.org/abs/2412.01609v1
• Date: Mon, 02 Dec 2024 15:28:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:47:24.719321
• Title: Optimizing LoRa for Edge Computing with TinyML Pipeline for Channel Hopping
• Title（参考訳）: TinyML PipelineによるエッジコンピューティングのためのLoRa最適化とチャネルホッピング
• Authors: Marla Grunewald, Mounir Bensalem, Admela Jukan,
• Abstract要約: 我々は、IoTからエッジコンピューティングシステムにデータを送信するために、長距離LongRange(LoRa)通信ソリューションを統合することを提案する。 チャネル希望最適化モデルを提案し,LoRa伝送に基づくTinyMLに基づくチャネル希望モデルを適用した。 エッジとIoTデバイス間の自由チャネルを見つけるための高速予測アルゴリズムを実験的に検討する。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License:
• Abstract: We propose to integrate long-distance LongRange (LoRa) communication solution for sending the data from IoT to the edge computing system, by taking advantage of its unlicensed nature and the potential for open source implementations that are common in edge computing. We propose a channel hoping optimization model and apply TinyML-based channel hoping model based for LoRa transmissions, as well as experimentally study a fast predictive algorithm to find free channels between edge and IoT devices. In the open source experimental setup that includes LoRa, TinyML and IoT-edge-cloud continuum, we integrate a novel application workflow and cloud-friendly protocol solutions in a case study of plant recommender application that combines concepts of microfarming and urban computing. In a LoRa-optimized edge computing setup, we engineer the application workflow, and apply collaborative filtering and various machine learning algorithms on application data collected to identify and recommend the planting schedule for a specific microfarm in an urban area. In the LoRa experiments, we measure the occurrence of packet loss, RSSI, and SNR, using a random channel hoping scheme to compare with our proposed TinyML method. The results show that it is feasible to use TinyML in microcontrollers for channel hopping, while proving the effectiveness of TinyML in learning to predict the best channel to select for LoRa transmission, and by improving the RSSI by up to 63 %, SNR by up to 44 % in comparison with a random hopping mechanism.
• Abstract（参考訳）: 我々は、エッジコンピューティングで一般的なオープンソース実装の可能性と、ライセンスされていない性質を活かして、IoTからエッジコンピューティングシステムにデータを送信するための長距離LongRange(LoRa)通信ソリューションを統合することを提案する。 本稿では,LoRa伝送に基づくチャネル希望モデルとTinyMLに基づくチャネル希望モデルを提案するとともに,エッジとIoTデバイス間の自由チャネルを見つけるための高速予測アルゴリズムを実験的に検討する。 LoRa、TinyML、IoT-edge-cloudContinuumを含むオープンソースの実験的セットアップでは、マイクロファーミングと都市コンピューティングの概念を組み合わせた植物推奨アプリケーションのケーススタディとして、新しいアプリケーションワークフローとクラウドフレンドリーなプロトコルソリューションを統合しています。 LoRa最適化エッジコンピューティングのセットアップでは、アプリケーションワークフローを設計し、収集したアプリケーションデータに協調フィルタリングと各種機械学習アルゴリズムを適用して、都市部における特定のマイクロファームの植え付けスケジュールを特定し、推奨する。 LoRa実験では,パケット損失,RSSI,SNRの発生をランダムチャネル希望方式を用いて測定し,提案手法との比較を行った。 その結果、TinyMLをマイクロコントローラでチャネルホッピングに利用することは可能であり、学習におけるTinyMLの有効性を証明し、LoRa伝送に最適なチャネルを予測し、RSSIを最大63%改善し、ランダムホッピング機構と比較してSNRを最大44%改善することを示した。

関連論文リスト

• WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
  大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。 本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-11T02:48:00Z)
• SpecHub: Provable Acceleration to Multi-Draft Speculative Decoding [28.76164449548306]
  MDSD(Multi-Draft Speculative Decoding)は、より小さなドラフトモデルを用いて複数のトークンシーケンスを生成することで、有望なソリューションを提供する。 線形計算オーバーヘッドのみで受け入れ率を向上するMDSDの新しい,効率的なサンプリング検証手法であるSpecHubを提案する。
  論文  参考訳（メタデータ） (2024-11-08T02:47:07Z)
• How Critical is Site-Specific RAN Optimization? 5G Open-RAN Uplink Air Interface Performance Test and Optimization from Macro-Cell CIR Data [0.6753334733130354]
  我々は,特定の地点からのチャネル計測データの重要性と,その空気界面の最適化と試験への影響を考察する。 我々は, NR PUSCHアップリンクシミュレーションにOmniPHY-5Gニューラルレシーバを利用する。 提案手法は、事前学習と比較して1.85dBの低信号-雑音比(SNR)で10%のブロック誤り率(BLER)を達成する。
  論文  参考訳（メタデータ） (2024-10-25T13:57:48Z)
• Combining Multi-Objective Bayesian Optimization with Reinforcement Learning for TinyML [4.2019872499238256]
  マルチオブジェクトベイズ最適化(MOBOpt)に基づくマイクロコントローラ(TinyML)にディープニューラルネットワークをデプロイするための新しい戦略を提案する。 本手法は,DNNの予測精度,メモリ消費量,計算複雑性のトレードオフを効率的に検出することを目的としている。
  論文  参考訳（メタデータ） (2023-05-23T14:31:52Z)
• Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
  Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。 本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。 提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
  論文  参考訳（メタデータ） (2023-05-15T22:04:49Z)
• TinyReptile: TinyML with Federated Meta-Learning [9.618821589196624]
  メタラーニングとオンラインラーニングにインスパイアされた,シンプルだが効率的なアルゴリズムであるTinyReptileを提案する。 Raspberry Pi 4とCortex-M4 MCUで256KBのRAMでTinyReptileをデモした。
  論文  参考訳（メタデータ） (2023-04-11T13:11:10Z)
• A Lightweight Transmission Parameter Selection Scheme Using Reinforcement Learning for LoRaWAN [1.3368461685675714]
  IoTデバイスの数は2023年までに125億に達すると予測されている。 IoTデバイスの成長は、デバイス間の衝突を強化し、通信性能を低下させる。 現在の文献で提案されているほとんどのスキームは、計算複雑性とメモリの制限のあるIoTデバイスで簡単に実装できない。
  論文  参考訳（メタデータ） (2022-08-03T03:10:58Z)
• SlimFL: Federated Learning with Superposition Coding over Slimmable Neural Networks [56.68149211499535]
  フェデレートラーニング(FL)は、デバイスの分散コンピューティング機能を活用した効率的なコミュニケーションとコンピューティングのための重要な実現手段である。 本稿では、FLと幅調整可能なスリムブルニューラルネットワーク(SNN)を統合した新しい学習フレームワークを提案する。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2022-03-26T15:06:13Z)
• Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
  そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。 推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。 提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法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） (2021-07-27T06:57:56Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。