文献

J-GLOBAL ID：201902270901616416   整理番号：19A0991834

機械学習による自己組織化5Gネットワークのための生成的敵対学習【JST・京大機械翻訳】

Generative Adversarial Learning for Machine Learning empowered Self Organizing 5G Networks

著者 (4件)： Hughes Ben (Booker T. Washington High School, Tulsa, USA) ,  Bothe Shruti (University of Oklahoma, Tulsa, USA) ,  Farooq Hasan (University of Oklahoma, Tulsa, USA) ,  Imran Ali (University of Oklahoma, Tulsa, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICNC  ページ： 282-286  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： サービス要求の多様性の伴流と極端な効率のためのプッシュの増加において,機械学習(ML)a.kによって推進される適応性,自己組織化ネットワーク(SON)は将来のモバイル5Gネットワークのための必然的な設計特徴として出現している。基礎としてのMLによるSONの実装は,サンプルデータの量とSONアルゴリズムの有効性の間の高い相関によって,ネットワークのための実際のラベル付きサンプルデータのかなりの量を必要とした。一般的に,実際のラベル付きデータは少ないので,それらの真の可能性を明らかにするためにMLエンプoSONに対するボトルネックになり得る。本研究では,2つの相互接続された深い人工ニューラルネットワークに基づく,一般的な付加的ネットワーク(Gans)を用いて,これらのサンプルデータセットを拡張する方法を提案した。この方法はサンプルセットを拡大するためのより多くのデータを得るための代替法であり,より多くのデータを取り込む場合は単純ではなく,実行可能であるか,または効率的である場合に好まれる。この方法が,生成と識別のGANの能力を利用して,大量の現実的な合成データをどのように生成できるかを実証し,サンプルセットに容易に加えることができた。この方法は,実際の移動演算子から取られた数分で,コールの開始時間と呼の継続時間を含む全データ記録(CDR)で実装される。結果は,この方法が比較的小さいサンプルセットで使用でき,真のCDRの統計についての情報がほとんどなく,正確な合成を行うことができることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *自己組織化 ,  *機械学習 ,  相互接続 ,  有効性 ,  適応性 ,  継続時間 ,  アルゴリズム ,  *ネットワーク ,  *学習 ,  携帯電話 ,  ニューラルネットワーク ,  伴流
準シソーラス用語： データアーカイブ ,  *敵意 ,  *第5世代移動通信システム , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 機械学習 ,  自己組織化 ,  5G ,  敵対 ,  学習