論文の概要: A Peer-Relative Representation Learning Framework for Energy Inefficiency Identification in Mobile Network Sites
- arxiv url: http://arxiv.org/abs/2609.03809v1
- Date: Thu, 03 Sep 2026 13:14:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.08235
- Title: A Peer-Relative Representation Learning Framework for Energy Inefficiency Identification in Mobile Network Sites
- Title（参考訳）: 移動体ネットワークサイトにおけるエネルギー非効率同定のためのピア相対表現学習フレームワーク
- Abstract要約: エネルギー消費はモバイルネットワーク運営者にとって最大の運用費の1つである。
地道な非効率性ラベルは存在せず、歴史的測定には既に埋没した非効率性が含まれている可能性がある。
本研究は, 同様の構造的, 運用的特性を持つサイトは, エネルギー消費に匹敵するものであるという前提のもとに, ピア相対的手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy consumption is one of the largest operational expenditure items for mobile network operators, yet site-level energy inefficiencies such as faulty cooling controllers, idle radio equipment, and parasitic auxiliary loads often remain undetected because no ground-truth inefficiency labels exist and historical measurements may already contain embedded inefficiencies. This study proposes an unsupervised peer-relative approach based on the premise that sites with similar structural and operational characteristics should exhibit comparable energy consumption. To capture these relationships, a novel energy-aware Minimum Distortion Embedding (MDE) formulation is introduced that extends the standard MDE objective with an energy-based repulsion mechanism. This encourages sites with anomalously high energy consumption relative to comparable peers to become displaced from their local neighbourhoods in the embedding space. The resulting low-dimensional representation simultaneously preserves structural similarity and encodes energy-related deviations, enabling the identification of potentially inefficient sites through peer-relative comparison. The derived anomaly scores provide a practical mechanism for prioritising field investigations, allowing mobile network operators to focus engineering resources on sites most likely to yield energy savings. Experimental results demonstrate that the proposed approach outperforms conventional anomaly detection baselines and provides a robust foundation for large-scale energy-efficiency optimisation in mobile networks.
- Abstract（参考訳）: エネルギー消費は、モバイルネットワーク運営者にとって最大の運用費の1つであるが、不完全な冷却制御装置、アイドル無線機器、寄生補助負荷などのサイトレベルのエネルギー非効率性は、地道な非効率性ラベルが存在しず、歴史的測定には既に埋没した非効率性が含まれているため、検出されないことが多い。
本研究は, 同様の構造的, 運用的特性を持つサイトは, エネルギー消費に匹敵するものであるという前提のもとに, ピア相対的手法を提案する。
これらの関係を捉えるために、エネルギーベースの反発機構によって標準MDEの目的を拡張する、エネルギーを意識した最小歪み埋め込み(MDE)の定式化が導入された。
これにより、同種のピアと比べて異常に高いエネルギー消費を持つサイトが、埋め込み空間の局所的な近隣地域から移動することを促す。
結果として生じる低次元表現は、構造的類似性を同時に保持し、エネルギー関連の偏差を符号化し、ピア相対比較による潜在的非効率な部位の同定を可能にする。
導出された異常スコアは、現場調査を優先する実用的なメカニズムを提供し、モバイルネットワークオペレーターは、エネルギー節約の可能性が最も高いサイトにエンジニアリングリソースを集中させることができる。
実験により,提案手法は従来の異常検出ベースラインよりも優れ,モバイルネットワークにおける大規模エネルギー効率最適化のための堅牢な基盤を提供することが示された。
関連論文リスト
- On Electric Vehicle Energy Demand Forecasting and the Effect of Federated Learning [1.2599533416395765]
電気自動車供給機器(EVSE)のエネルギー需給予測は、効率的なエネルギー管理と持続可能性を確保する上で最も重要な作業の1つである。
ユーティリティプロバイダは、エネルギー/電力需要を予測し、リソース割り当てを最適化し、グリッド信頼性を改善するための積極的な対策を実行することができる。
プライバシーやサステナビリティに関する懸念や制限が高まるにつれ、トレーニングデータの断片化がますます進んでいる。
論文 参考訳（メタデータ） (2026-02-24T11:21:45Z) - Lightweight LSTM Model for Energy Theft Detection via Input Data Reduction [0.0]
本稿では,プリフィルタとして機能する軽量検出ユニット(watchdog mechanism)を提案する。
LSTMモデルに供給される入力量を削減し、エネルギー盗難の可能性がより高いインスタンスに制限する。
その結果、消費電力の減少は64%を超え、検出精度は最小限に抑えられ、リコールは一貫して高いことがわかった。
論文 参考訳（メタデータ） (2025-06-14T14:40:03Z) - The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。
本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
論文 参考訳（メタデータ） (2025-05-14T08:18:55Z) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Energy-Aware Dynamic Neural Inference [39.04688735618206]
エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。
環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。
我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
論文 参考訳（メタデータ） (2024-11-04T16:51:22Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-14T18:51:22Z) - ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of
Harvested Energy [0.8774604259603302]
本稿では,エネルギー制約下での目標デバイスの有用性を最適化するランタイムベースのエネルギー配分フレームワークを提案する。
提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。
このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
論文 参考訳（メタデータ） (2021-02-26T17:21:25Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。