[論文レビュー] Artificial Neural Networks-Based Machine Learning for Wireless Networks: A Tutorial

Mingzhe Chen, Ursula Challita+3 more|arXiv (Cornell University)|Oct 9, 2017

Opportunistic and Delay-Tolerant Networks参考文献 227被引用数 96

ひとこと要約

この論文は、人工ニューラルネットワーク（ANNs）が無線ネットワークに適用できる方法についての包括的なチュートリアルを提供し、ANNのタイプ、アーキテクチャ、および無線アプリケーションを詳述します。データ分析、オンライン最適化、エッジインテリジェンスを強調し、Beyond-5Gシナリオにおける適用を示します。

ABSTRACT

Next-generation wireless networks must support ultra-reliable, low-latency communication and intelligently manage a massive number of Internet of Things (IoT) devices in real-time, within a highly dynamic environment. This need for stringent communication quality-of-service (QoS) requirements as well as mobile edge and core intelligence can only be realized by integrating fundamental notions of artificial intelligence (AI) and machine learning across the wireless infrastructure and end-user devices. In this context, this paper provides a comprehensive tutorial that introduces the main concepts of machine learning, in general, and artificial neural networks (ANNs), in particular, and their potential applications in wireless communications. For this purpose, we present a comprehensive overview on a number of key types of neural networks that include feed-forward, recurrent, spiking, and deep neural networks. For each type of neural network, we present the basic architecture and training procedure, as well as the associated challenges and opportunities. Then, we provide an in-depth overview on the variety of wireless communication problems that can be addressed using ANNs, ranging from communication using unmanned aerial vehicles to virtual reality and edge caching.For each individual application, we present the main motivation for using ANNs along with the associated challenges while also providing a detailed example for a use case scenario and outlining future works that can be addressed using ANNs. In a nutshell, this article constitutes one of the first holistic tutorials on the development of machine learning techniques tailored to the needs of future wireless networks.

研究の動機と目的

• ANNが知的でデータ駆動型の無線ネットワークとエッジインテリジェンスをどのように可能にするかを説明する。
• 無線を対象としたユースケースを伴う主要なANNアーキテクチャ（RNNs、SNNs、DNNs）を紹介する。
• ANNがQoS、信頼性、レイテンシのニーズに対処できる無線アプリケーションを調査する。
• ANNベースの無線設計の課題、機会、および将来の方向性を検討する。

提案手法

• 無線ネットワークに関連するANNタイプ（RNNs、SNNs、DNNs、ESNs）の調査とチュートリアルの総合を、アーキテクチャの概要とともに行う。
• 無線コンテキストでのユースケースを例示する（例：UAV通信、スペクトラム管理、ワイヤレスVR、エッジキャッシュ、IoT）。
• 例となるアーキテクチャとトレーニング手法を提供する（例：リッジ回帰を用いたESN、エコー状態特性）。
• オンラインでのリアルタイム無線意思決定におけるML主導と従来の最適化を比較する。
• ANN対応の5G以降に向けた課題と将来の研究方向を強調する。

実験結果

リサーチクエスチョン

• RQ1 ANNタイプをどのように活用して無線ネットワークの制御、最適化、データ分析を向上させられるか。
• RQ2 時系列の無線データと連続信号に対して、RNNs、SNNs、DNNsの利点と限界は何か。
• RQ3 ANNベースのMLから最も恩恵を受ける無線アプリケーションはどれで、主な課題は何か。
• RQ4 オンライン無線シナリオに実用的な学習戦略（例：ESNリッジ回帰）は何か。
• RQ5 ML/ANNをBeyond-5Gネットワークへ統合するために不可欠な将来の方向性は何か。）

主な発見

• ANNは無線ネットワークにおける知的で予測的な分析と自己組織化制御の枠組みを提供する。
• RNNsとSNNsは無線システムに共通の時系列データや連続データに適しており、DNNsは高次元表現を処理する。
• ESNsは入力層/隠れ層の重みを固定し、出力層のみをリッジ回帰で訓練することで訓練の単純さを提供する。
• このチュートリアルは、ANNがドローン通信、複数RATスペクトル管理、ワイヤレスVR、MEC、キャッシング、およびIoTにどのように対応できるかを概説している。