Loading...
机构名称:
¥ 7.0

摘要:将网络资源分配给竞争需求是有效设计和管理未来通信网络的重要问题。资源需求和可用性波动的系统动力学加剧了这一问题的复杂性。在未来的通信网络上,用户不仅期望它们支持传统的多媒体服务,还期望它们支持未来的人工智能(AI)和机器学习(ML)传感和通信应用。在本次演讲的第一部分,演讲者将讨论网络资源分配问题。具体来说,他将提出一种新的机器学习方法,该方法使用两个耦合长短期记忆(CLSTM)网络在一系列系统参数上快速而稳健地产生最佳或接近最佳的资源分配,这被建模为约束优化问题。将提供网络资源分配的数值示例以验证所提方法的有效性。在第二部分,演讲者将介绍支持联邦学习(FL)的新方法,并通过模型修剪来改进具有资源约束的通信网络中的学习过程。 FL 技术从分布式节点收集的数据中学习模型参数,并根据有限的资源可用性进行调整。模型修剪的关键思想是删除不重要的模型参数,以减少计算和通信负担并加快学习收敛速度,同时保持模型准确性。使用真实数据集,实验结果表明,所提出的方法表现接近最优或比其他方法有显著的性能改进。简历:Kin K. Leung 获得香港中文大学学士学位,加州大学洛杉矶分校硕士和博士学位。1986 年至 2004 年,他在新泽西州的 AT&T 贝尔实验室及其继任公司工作。此后,他一直担任伦敦帝国理工学院电气和电子工程 (EEE) 和计算系的 Tanaka 讲座教授。他还曾于 2009 年至 2024 年担任帝国理工学院 EEE 系通信和信号处理组负责人。他目前的研究重点是优化和机器学习,用于大型系统设计和控制

会议日程

会议日程PDF文件第1页

会议日程PDF文件第2页

会议日程PDF文件第3页

会议日程PDF文件第4页

会议日程PDF文件第5页