Fugu-MT 論文翻訳(概要): Scalable Coordinated Learning for H2M/R Applications over Optical Access Networks (Invited)

論文の概要: Scalable Coordinated Learning for H2M/R Applications over Optical Access Networks (Invited)

arxiv url: http://arxiv.org/abs/2502.20598v1
Date: Thu, 27 Feb 2025 23:56:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-03 13:41:09.742119
Title: Scalable Coordinated Learning for H2M/R Applications over Optical Access Networks (Invited)
Title（参考訳）: 光アクセスネットワーク上でのH2M/Rアプリケーションのためのスケーラブルな協調学習(招待)
Authors: Sourav Mondal, Elaine Wong,
Abstract要約: H2M/R(Human-to-machine/robot)は,産業用5.0。本稿では,広域にわたるスケーラブルなH2M/R通信について論じる。
参考スコア（独自算出の注目度）: 4.0707065703101755
License:
Abstract: One of the primary research interests adhering to next-generation fiber-wireless access networks is human-to-machine/robot (H2M/R) collaborative communications facilitating Industry 5.0. This paper discusses scalable H2M/R communications across large geographical distances that also allow rapid onboarding of new machines/robots as $\sim72\%$ training time is saved through global-local coordinated learning.
Abstract（参考訳）: 次世代のファイバワイヤレスアクセスネットワークに固執する研究の主目的の1つは、産業5.0を補助するヒューマン・ツー・マシン/ロボット(H2M/R)協調通信である。本稿では,大規模な地理的距離をまたいだスケーラブルなH2M/R通信について論じる。

関連論文リスト

I've Got 99 Problems But FLOPS Ain't One [70.3084616806354]
私たちは、機械学習アプリケーションのための1000億ドルのデータセンターを構築するための公開計画から始まり、関連する研究方向を見つけるために、従来からあるアプローチを取っています。データセンターのようなワークロードが持つものを見つけ、ネットワーク研究に焦点をあてて、その課題を探求します。我々は、データセンターの構築とそのようなモデルの訓練は技術的に可能であると結論づけるが、これはDC間通信のための新しい広域トランスポート、マルチパストランスポート、および新しいデータセンタートポロジを必要とする。
論文参考訳（メタデータ） (2024-07-01T10:33:46Z)
LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [80.86089324742024]
本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2024-01-10T00:08:00Z)
CEFHRI: A Communication Efficient Federated Learning Framework for Recognizing Industrial Human-Robot Interaction [8.568323820210686]
HRI(Human-robot Interaction)は、社会と産業の応用を包含する急速に成長する分野である。データプライバシは、機密データを保護する必要があるため、人間とロボットのインタラクションにおいて重要な関心事である。フェデレートラーニング(FL)は、生データを共有せずに、モデルの分散トレーニングを可能にするソリューションを提供する。
論文参考訳（メタデータ） (2023-08-29T01:34:33Z)
Communication-Efficient Reinforcement Learning in Swarm Robotic Networks for Maze Exploration [2.958532752589616]
コミュニケーションは、Swarmロボットの協調の成功の鍵である。本稿では,Swarmロボットをコーディネートする通信効率の高い分散協調強化学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-05-26T16:56:00Z)
Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文参考訳（メタデータ） (2022-05-27T13:09:29Z)
Collaborative Learning over Wireless Networks: An Introductory Overview [84.09366153693361]
主に、ワイヤレスデバイス間の協調トレーニングに焦点を合わせます。過去数十年間、多くの分散最適化アルゴリズムが開発されてきた。データ局所性 – すなわち、各参加デバイスで利用可能なデータがローカルのままである間、共同モデルを協調的にトレーニングすることができる。
論文参考訳（メタデータ） (2021-12-07T20:15:39Z)
Satellite Based Computing Networks with Federated Learning [30.090106801185886]
人工知能(AI)によって強化された第6世代(6G)モバイルシステムである無線通信の新世代が、かなりの研究関心を集めている。 6Gの様々な候補技術の中で、低軌道(LEO)衛星はユビキタス無線アクセスの特徴をアピールしている。知的適応学習を備えた大規模相互接続デバイスをサポートし,SatComにおける高価なトラフィックを削減するため,LEOベースの衛星通信ネットワークにおけるフェデレーション学習(FL)を提案する。
論文参考訳（メタデータ） (2021-11-20T13:24:23Z)
Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文参考訳（メタデータ） (2021-10-28T14:12:10Z)
Opportunities of Federated Learning in Connected, Cooperative and Automated Industrial Systems [44.627847349764664]
次世代産業システムは、超信頼性、低遅延通信の進歩を牽引しています。分散機械学習(FL)は、センシング、コミュニケーション、学習におけるキノコの多分野にわたる研究領域を表しています。本稿では,次世代ネットワーク産業システムにおけるFLの新たな可能性について考察する。
論文参考訳（メタデータ） (2021-01-09T14:27:52Z)
Spiking Neural Networks -- Part III: Neuromorphic Communications [38.518936229794214]
ますますワイヤレスに接続されるデバイスの存在は、機械学習の進歩を輸出しようと努力している。帯域制限されたチャネルを介して接続されたバッテリ駆動デバイス上での学習と推論のための機械学習モデルの実装は依然として困難である。本稿では、スパイキングニューラルネットワーク(SNN)がこれらのオープンな問題に対処する2つの方法を探る。
論文参考訳（メタデータ） (2020-10-27T11:52:35Z)

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。