Fugu-MT 論文翻訳(概要): Integrating Stacked Intelligent Metasurfaces and Power Control for Dynamic Edge Inference via Over-The-Air Neural Networks

論文の概要: Integrating Stacked Intelligent Metasurfaces and Power Control for Dynamic Edge Inference via Over-The-Air Neural Networks

arxiv url: http://arxiv.org/abs/2509.18906v1
Date: Tue, 23 Sep 2025 12:13:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-24 20:41:27.827168
Title: Integrating Stacked Intelligent Metasurfaces and Power Control for Dynamic Edge Inference via Over-The-Air Neural Networks
Title（参考訳）: オーバ・ザ・エア・ニューラルネットを用いた動的エッジ推論のための重畳された知能メタ曲面と電力制御の統合
Authors: Kyriakos Stylianopoulos, George C. Alexandropoulos,
Abstract要約: 本稿では,従来の無線チャネルをノイズとして扱う手法を回避したエッジ推論(EI)フレームワークを提案する。無線伝搬の制御にはスタックド・インテリジェント・メタサーフェス(SIM)を用いる。
参考スコア（独自算出の注目度）: 34.27766974092816
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces a novel framework for Edge Inference (EI) that bypasses the conventional practice of treating the wireless channel as noise. We utilize Stacked Intelligent Metasurfaces (SIMs) to control wireless propagation, enabling the channel itself to perform over-the-air computation. This eliminates the need for symbol estimation at the receiver, significantly reducing computational and communication overhead. Our approach models the transmitter-channel-receiver system as an end-to-end Deep Neural Network (DNN) where the response of the SIM elements are trainable parameters. To address channel variability, we incorporate a dedicated DNN module responsible for dynamically adjusting transmission power leveraging user location information. Our performance evaluations showcase that the proposed metasurfaces-integrated DNN framework with deep SIM architectures are capable of balancing classification accuracy and power consumption under diverse scenarios, offering significant energy efficiency improvements.
Abstract（参考訳）: 本稿では,従来の無線チャネルをノイズとして扱う手法を回避したエッジ推論(EI)フレームワークを提案する。無線伝搬の制御にはスタックド・インテリジェント・メタサーフェス(SIM)を用いる。これにより、受信機でのシンボル推定が不要になり、計算と通信のオーバーヘッドが大幅に削減される。提案手法は,SIM要素の応答がトレーニング可能なパラメータであるエンドツーエンドのDeep Neural Network (DNN) として,送信チャネル受信装置をモデル化する。チャネルの可変性に対処するため,ユーザ位置情報を利用した送信電力の動的調整を行う専用DNNモジュールを組み込んだ。提案した準曲面統合DNNフレームワークと深層SIMアーキテクチャは,多様なシナリオ下での分類精度と消費電力のバランスを保ち,エネルギー効率の大幅な向上を図っている。

関連論文リスト

CMOS Implementation of Field Programmable Spiking Neural Network for Hardware Reservoir Computing [0.0]
Deep Neural Networks(DNN)やLarge Language Models(LLM)といった大規模ニューラルネットワークは、高消費電力、領域要件、プライバシに関する懸念から、エッジアプリケーションへの実践的なデプロイに挑戦する。本研究は、ハードウェア貯水池コンピューティングのためのCMOS実装フィールドプログラマブルニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-09-22T05:19:46Z)
Over-the-Air Edge Inference via End-to-End Metasurfaces-Integrated Artificial Neural Networks [29.28415364984592]
エッジ推論(EI)のための準曲面統合ニューラルネットワーク(MINN)の枠組みを提案する。 MINNは、EI要求を大幅に単純化し、トレーニングに比べて50ドル以下で、ほぼ最適性能を達成できる。
論文参考訳（メタデータ） (2025-03-31T21:14:09Z)
Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks [16.0018681576301]
我々はQuantile-Constrained Inference (QIC)と呼ばれる新しいアルゴリズム戦略を提案する。 QICは、上記のシステムのすべての側面について、共同で高品質で迅速な決定を行います。結果,QICは最適値と一致し,選択肢を80%以上上回っていることを確認した。
論文参考訳（メタデータ） (2024-10-22T06:12:04Z)
Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文参考訳（メタデータ） (2023-08-22T03:13:57Z)
ENGNN: A General Edge-Update Empowered GNN Architecture for Radio Resource Management in Wireless Networks [29.23937571816269]
鍵となる課題は、無線リソースをビームフォーミングとパワーアロケーションによって効率的に管理することである。本稿では,GNNがノード変数とエッジ変数の両方を扱えるように,エッジ更新機構を提案する。提案手法は平均和率が高いが,最先端の手法よりもはるかに短い時間で計算できる。
論文参考訳（メタデータ） (2022-12-14T14:04:25Z)
Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
論文参考訳（メタデータ） (2022-07-06T16:32:29Z)
Neuromorphic Wireless Cognition: Event-Driven Semantic Communications for Remote Inference [32.0035037154674]
本稿ではニューロモルフィックな無線インターネット・オブ・Thingsシステムのためのエンドツーエンドの設計を提案する。各センサ装置は、ニューロモルフィックセンサと、スパイキングニューラルネットワーク(SNN)と、複数のアンテナを備えたインパルス無線送信機を備える。パイロット、SNNの符号化、SNNの復号化、ハイパーネットワークは、複数のチャネル実現を通じて共同で訓練される。
論文参考訳（メタデータ） (2022-06-13T11:13:39Z)
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)
Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
論文参考訳（メタデータ） (2021-07-01T06:32:49Z)
Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文参考訳（メタデータ） (2021-06-02T07:36:27Z)
Phase Configuration Learning in Wireless Networks with Multiple Reconfigurable Intelligent Surfaces [50.622375361505824]
RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。 RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。 RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
論文参考訳（メタデータ） (2020-10-09T05:35:27Z)

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。