論文の概要: Learning to Reconfigure: Using Device Status to Select the Right Constrained Coding Scheme
- arxiv url: http://arxiv.org/abs/2512.21396v1
- Date: Wed, 24 Dec 2025 19:26:55 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-29 12:03:19.266939
- Title: Learning to Reconfigure: Using Device Status to Select the Right Constrained Coding Scheme
- Title（参考訳）: 再構成の学習:デバイスステータスを使って正しい制約付き符号化方式を選択する
- Authors: Doğukan Özbayrak, Ahmed Hareedy,
- Abstract要約: 本稿では,新しい2次元磁気記録(TDMR)技術のための制約付き符号化方式に着目する。
デバイスの状態に基づいて,このタスクを実行するためのオフラインおよびオンライン学習手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: In the age of data revolution, a modern storage~or transmission system typically requires different levels of protection. For example, the coding technique used to fortify data in a modern storage system when the device is fresh cannot be the same as that used when the device ages. Therefore, providing reconfigurable coding schemes and devising an effective way to perform this reconfiguration are key to extending the device lifetime. We focus on constrained coding schemes for the emerging two-dimensional magnetic recording (TDMR) technology. Recently, we have designed efficient lexicographically-ordered constrained (LOCO) coding schemes for various stages of the TDMR device lifetime, focusing on the elimination of isolation patterns, and demonstrated remarkable gains by using them. LOCO codes are naturally reconfigurable, and we exploit this feature in our work. Reconfiguration based on predetermined time stamps, which is what the industry adopts, neglects the actual device status. Instead, we propose offline and online learning methods to perform this task based on the device status. In offline learning, training data is assumed to be available throughout the time span of interest, while in online learning, we only use training data at specific time intervals to make consequential decisions. We fit the training data to polynomial equations that give the bit error rate in terms of TD density, then design an optimization problem in order to reach the optimal reconfiguration decisions to switch from a coding scheme to another. The objective is to maximize the storage capacity and/or minimize the decoding complexity. The problem reduces to a linear programming problem. We show that our solution is the global optimal based on problem characteristics, and we offer various experimental results that demonstrate the effectiveness of our approach in TDMR systems.
- Abstract（参考訳）: データ革命の時代には、現代のストレージまたは送信システムは一般的に異なるレベルの保護を必要とする。
例えば、最新のストレージシステムにおいて、デバイスが新しくなったときのデータ強化に使用されるコーディング技術は、デバイスが老朽化した時と同じものではない。
したがって、再構成可能なコーディングスキームを提供し、この再構成を実行する効果的な方法を考案することが、デバイス寿命を延ばす鍵となる。
本稿では,新しい2次元磁気記録(TDMR)技術のための制約付き符号化方式に着目する。
近年,TDMR デバイス寿命の様々な段階において,効率的な語彙順制約付き (LOCO) 符号化方式を設計し,分離パターンの排除に着目し,その利用による顕著な利得を示した。
LOCOコードは自然に再構成可能であり、当社の作業でこの機能を活用しています。
業界が採用している所定のタイムスタンプに基づいた再構成は、実際のデバイスステータスを無視する。
代わりに、デバイスの状態に基づいて、このタスクを実行するためのオフラインおよびオンライン学習手法を提案する。
オフライン学習では、トレーニングデータは興味のある期間を通して利用できると仮定され、オンライン学習では、特定の時間間隔でのみトレーニングデータを使用して、連続的な決定を行う。
トレーニングデータをTD密度の観点からビット誤り率を与える多項式方程式に適合させ、次に、符号化方式から別の方式に切り替える最適な再構成決定に到達するために最適化問題を設計する。
目的は、ストレージ容量を最大化し、デコード複雑性を最小化することである。
この問題は線形プログラミングの問題に還元される。
本稿では,TDMRシステムにおける提案手法の有効性を示す実験結果について述べる。
関連論文リスト
- Federated Learning with Ad-hoc Adapter Insertions: The Case of Soft-Embeddings for Training Classifier-as-Retriever [0.6524460254566904]
そこで本研究では,新しいコーパスのトークン埋め込みを学習してソフト埋め込みを改良し,完全微調整よりも少ない計算能力で更新できる新しいエンコーダを提案する。
フェデレーションラーニング(FL)とディファレンシャルプライバシ(DP)を採用して、効率的でプライバシーに制約のあるプロダクトグレードのトレーニングソリューションを実現する。
論文 参考訳（メタデータ） (2025-09-20T03:07:03Z) - Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - Action-Quantized Offline Reinforcement Learning for Robotic Skill
Learning [68.16998247593209]
オフライン強化学習(RL)パラダイムは、静的な行動データセットを、データを収集したポリシーよりも優れたパフォーマンスのポリシーに変換するためのレシピを提供する。
本稿では,アクション量子化のための適応型スキームを提案する。
IQL,CQL,BRACといった最先端のオフラインRL手法が,提案手法と組み合わせることで,ベンチマークのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2023-10-18T06:07:10Z) - Efficient Online Learning with Memory via Frank-Wolfe Optimization:
Algorithms with Bounded Dynamic Regret and Applications to Control [15.588080817106563]
動的後悔を最小限に抑えるメモリ付きプロジェクションフリーなメタベース学習アルゴリズムを提案する。
私たちは、自律的なエージェントが時間によって変化する環境に適応する必要がある人工知能アプリケーションによって動機付けられています。
論文 参考訳（メタデータ） (2023-01-02T01:12:29Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳（メタデータ） (2021-11-26T18:44:59Z) - Coding for Straggler Mitigation in Federated Learning [86.98177890676077]
提案手法は,プライバシと勾配コードを保存するために1回パディングを組み合わせることで,ストラグラーに対する抵抗性を向上する。
提案手法は,MNISTデータセットとFashion-MNISTデータセットのトレーニングスピードアップ係数が6.6ドルと9.2ドルであり,それぞれ95%と85%であることを示す。
論文 参考訳（メタデータ） (2021-09-30T15:53:35Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Short-Term Memory Optimization in Recurrent Neural Networks by
Autoencoder-based Initialization [79.42778415729475]
線形オートエンコーダを用いた列列の明示的暗記に基づく代替解を提案する。
このような事前学習が、長いシーケンスで難しい分類タスクを解くのにどのように役立つかを示す。
提案手法は, 長周期の復元誤差をはるかに小さくし, 微調整時の勾配伝播を良くすることを示す。
論文 参考訳（メタデータ） (2020-11-05T14:57:16Z) - Optimal Task Assignment to Heterogeneous Federated Learning Devices [0.0]
本研究では,各デバイスがトレーニングに使用するデータ量を制御することにより,フェデレート学習ラウンドの期間を最小化する問題について検討する。
OLARというメイクタイムアルゴリズムを提案し、最適なスケジュールを提供することを示す。
この結果から,OLARは少ない実行時間で最適解を提供することがわかった。
論文 参考訳（メタデータ） (2020-10-01T07:58:48Z)
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。