論文の概要: Automated Model Design using Gated Neuron Selection in Telecom

• arxiv url: http://arxiv.org/abs/2602.10854v1
• Date: Wed, 11 Feb 2026 13:40:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.940251
• Title: Automated Model Design using Gated Neuron Selection in Telecom
• Title（参考訳）: テレコムにおけるゲーテッドニューロン選択を用いたモデル自動設計
• Authors: Adam Orucu, Marcus Medhage, Farnaz Moradi, Andreas Johnsson, Sarunas Girdzijauskas,
• Abstract要約: 本稿では,通信ネットワークのための新しい勾配型ニューラルネットワーク探索法であるTabGNS(Tabular Gated Neuron Selection)を提案する。 アーキテクチャサイズを51～82%削減し,探索時間を最大36倍削減しながら,予測性能の向上を示す。 TabGNSをモデルライフサイクル管理に統合することで、ライフサイクル全体を通じてニューラルネットワークの自動設計が可能になる。
• 参考スコア（独自算出の注目度）: 2.1754414620227362
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The telecommunications industry is experiencing rapid growth in adopting deep learning for critical tasks such as traffic prediction, signal strength prediction, and quality of service optimisation. However, designing neural network architectures for these applications remains challenging and time-consuming, particularly when targeting compact models suitable for resource-constrained network environments. Therefore, there is a need for automating the model design process to create high-performing models efficiently. This paper introduces TabGNS (Tabular Gated Neuron Selection), a novel gradient-based Neural Architecture Search (NAS) method specifically tailored for tabular data in telecommunications networks. We evaluate TabGNS across multiple telecommunications and generic tabular datasets, demonstrating improvements in prediction performance while reducing the architecture size by 51-82% and reducing the search time by up to 36x compared to state-of-the-art tabular NAS methods. Integrating TabGNS into the model lifecycle management enables automated design of neural networks throughout the lifecycle, accelerating deployment of ML solutions in telecommunications networks.
• Abstract（参考訳）: 通信業界は、交通予測、信号強度予測、サービス最適化の品質といった重要なタスクにディープラーニングを採用することで、急速に成長している。 しかし、特にリソース制約のあるネットワーク環境に適したコンパクトモデルをターゲットにする場合、これらのアプリケーションのためにニューラルネットワークアーキテクチャを設計することは困難かつ時間を要する。 したがって,モデル設計プロセスを自動化することで,効率よく高性能なモデルを作成する必要がある。 本稿では,TabGNS(Tabular Gated Neuron Selection)について紹介する。 我々は,複数の通信および汎用的な表型データセット間でTabGNSを評価し,アーキテクチャサイズを51～82%削減し,検索時間を最先端の表型NAS法に比べて最大36倍削減した。 TabGNSをモデルライフサイクル管理に統合することで、ライフサイクルを通じてニューラルネットワークの自動設計が可能になり、通信ネットワークへのMLソリューションのデプロイが加速する。

関連論文リスト

• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Improving Wi-Fi Network Performance Prediction with Deep Learning Models [0.9632663495317711]
  本研究では,Wi-Fiネットワークにおける通信路品質をフレーム配信率の観点から予測するために,機械学習技術を用いる。 予測は、実行時の通信パラメータを積極的に調整し、産業アプリケーションのためのネットワーク操作を最適化するために使用することができる。
  論文  参考訳（メタデータ） (2025-07-15T10:18:32Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Efficient Federated Learning Tiny Language Models for Mobile Network Feature Prediction [13.32608465848856]
  通信において、自律ネットワーク(AN)は、特定の要求(例えば、帯域幅、利用可能なリソース)に基づいて構成を自動的に調整する。 ここでは、フェデレートラーニング(FL)により、複数のANセル — それぞれニューラルネットワーク(NN)を備えた — が、データのプライバシを保持しながら、モデルを協調的にトレーニングすることが可能になる。 小型言語モデル(TLM)を統合する新しいFLフレームワークにおいて,ISO/IECニューラルネットワーク符号化(NNC)標準の実装であるNNCodecについて検討する。 ベルリンのV2Xデータセットを用いた実験の結果,NNCodecは透過的な圧縮を実現し,通信オーバーヘッドを1%以下に抑えることができた。
  論文  参考訳（メタデータ） (2025-04-02T17:54:06Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Improving the Real-Data Driven Network Evaluation Model for Digital Twin Networks [0.2499907423888049]
  デジタルツインネットワーク(DTN)技術は,自律型ネットワークの基礎技術として期待されている。 DTNは、クローズドループシステムにおいて、リアルタイムに収集されたデータに基づいてネットワークを運用およびシステム化できるという利点がある。 DTNの使用を最適化するために、さまざまなAI研究と標準化作業が進行中である。
  論文  参考訳（メタデータ） (2024-05-14T09:55:03Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Communication-Efficient Separable Neural Network for Distributed Inference on Edge Devices [2.28438857884398]
  本稿では,分散推論のためのニューラルネットワークを分離するために,モデル並列性を利用する新しい手法を提案する。 デバイスの適切な仕様とモデルの構成の下で、エッジクラスタ上の大規模ニューラルネットワークの推論が分散し、加速可能であることを示す実験を行った。
  論文  参考訳（メタデータ） (2021-11-03T19:30:28Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)

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。