[論文レビュー] A Survey on Machine Learning for Optical Communication [Machine Learning View]

Mohammad Ali Amirabadi|arXiv (Cornell University)|Aug 21, 2019

Optical Network Technologies参考文献 134被引用数 22

ひとこと要約

本論文は、機械学習（ML）の視点から、光通信分野における機械学習（ML）の応用について包括的なサーベイを提示しており、既存の研究が主に光通信に焦点を当てているのに対し、MLの手法に焦点を当てていないというギャップを埋めている。最先端のMLアルゴリズムとそれらが光通信の課題にどのように適用可能であるかをレビューし、MLおよび光通信分野の研究者が分野横断的な壁を乗り越え、未開拓の研究機会を特定するための体系的な概要を提供する。

ABSTRACT

Machine Learning (ML) for Optical Communication (OC) is certainly a hot topic emerged recently and will continue to raise interest at least for the next few years. The rate of research development in this area is growing very rapidly. Novelty of this research direction resides mainly in the peculiarity of the application field, rather than in the methodological approaches, which are (at least up to now) state-of-the-art ML algorithms. Reviewing the literature shows that many of the ML algorithms have not yet been used in this area, and many of the OC applications are not considered yet, which reflects the fact that the research topic is pristine. Accordingly, tutorial investigations are quiet necessary in this filed to help researchers be aware about the last progressions and cavities of this field. Although several tutorials have been released recently, they considered this topic from OC view, and neglected ML view. However, it is required to have an investigations about the ML algorithms used in this subject. Accordingly, for the first time, this paper reviews ML for OC literature from ML viewpoint. This view could be really helpful because only OC experts work on ML for OC, and they are not ML experts, so it could really help them to have a comprehensive view on the ML subjects implantable in OC. It has worth to mention that compared with other works, this survey reviews much more investigations; therefore, it has more generality, and gives the reader to have a comprehensive overview on this topic.

研究の動機と目的

• 既存の文献において不足しているMLの視点を補完し、光通信における機械学習の応用について包括的かつML中心のレビューを提供すること。
• 多くの光通信研究者がMLの専門家ではないことから、最先端の機械学習技術を光システムに理解し、適用できるように支援すること。
• 機械学習と光通信の交差分野における未開拓の応用や研究ギャップを特定し、今後の研究の機会を浮き彫りにすること。
• これまでのサーベイよりも広範なML手法とそれらの光通信分野における実装をカバーすることで、より包括的かつ一般化可能な概要を提供すること。
• 機械学習と光通信研究コミュニティの間のメソドロジーギャップを埋めるためのチュートリアルリソースとして機能すること。

提案手法

• 2019年までに発表された光通信分野におけるML応用に関する体系的文献レビューを実施する。
• 信号検出、チャネル推定、非線形性低減などの光通信分野における応用分野に基づいてML技術を分類・分析する。
• 教師あり学習、教師なし学習、強化学習を含むMLアルゴリズムのメソドロジカル側面に焦点を当て、光システムへの適性を強調する。
• さまざまなMLモデルが光通信シナリオにおいて果たす性能と実装可能性を評価し、利点と制限を比較する。
• 異なる光通信課題におけるML手法の比較分析を実施し、特定のタスクに最も効果的な手法を浮き彫りにする。
• 光通信に適用可能なMLフレームワークやツールの構造的概要を提供し、研究者が適切な手法を選定しやすくする。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習アルゴリズムが光通信システムに応用されており、それらの性能と適用可能性はどのように比較されるか？
• RQ2 機械学習を光通信システムに統合する際の主な課題は何か。既存の手法はそれらをどのように解決しているか？
• RQ3 なぜ光通信研究において、機械学習中心の視点が不可欠であるのか。特に、現在の文献において光工学的視点が支配的であることを踏まえて。
• RQ4 光通信分野における機械学習の最も有望な未開拓の応用は何か？
• RQ5 MLの専門知識を持たない光通信研究者が、最先端の機械学習技術を効果的に採用・実装するにはどうすればよいか？

主な発見

• 本論文は、機械学習アルゴリズムの多くが光通信分野で未活用のままであるという顕著な研究ギャップを特定した。この分野は依然としてほとんど未開拓であり、革新の可能性が非常に高いことが示唆された。
• 既存の多くの光通信分野におけるMLの応用は、深層ニューラルネットワークや強化学習といった、確立された最先端技術に依存しており、新しいアルゴリズムの開発はほとんど見られない。
• サーベイは、光通信応用のわずか一部しかMLを用いていないことを明らかにした。これは、今後の研究において極めて広大な機会を示している。
• MLの視点は、ML手法の理解と適用をより体系的かつ一般化可能にするフレームワークを提供するが、これは光通信中心のサーベイではしばしば欠落している。
• 著者らは、光通信専門家がMLの専門的知識がなくても、MLに特化した視点を提供することで、複雑なML手法の世界を効果的に navigating できると強調している。
• 本サーベイは、包括的かつML中心のレビューが、分野の進展を加速させ、分野横断的協働を可能にするために不可欠であると結論づけた。