XiaoMi-AI文件搜索系统
World File Search SystemQOE
通过基于注意力的深度强化学习实现节能的 VNF-FG 嵌入
摘要 — 设计智能机制以促进和加速服务部署和管理是网络基础设施提供商面临的最具挑战性的方面之一。这是由于他们预计要支持的大量流量、架构的分散性质以及他们运行的服务以满足质量目标并避免违反服务水平协议 (SLA)。因此，通信服务提供商 (CSP) 正致力于减少能源消耗和减少其网络基础设施的碳足迹。在未来的通信网络中，传统的管理机制和集中式传统解决方案在确保基础设施提供商、服务提供商的收入以及最终用户的良好体验质量 (QoE) 方面显示出其局限性。这些服务的部署通常需要有效分配虚拟网络功能转发图 (VNF-FG)。在此背景下，我们提出了一种基于多智能体注意力的深度强化学习 (DRL) 的智能节能 VNF-FG 嵌入方法。我们的贡献使用半分布式 DRL 机制进行 VNF-FG 放置。事实证明，所提出的算法在接受率、功耗和执行时间方面优于以前最先进的方法。索引词——能源效率、深度强化学习、注意力、多智能体、虚拟网络功能嵌入。
数字孪生赋能的智慧城市：新前沿...
摘要 — 无线网络的未来发展方向是释放智慧城市应用中虚拟化和数字化服务所提供的机遇，旨在提高体验质量（QoE）并为现代城市带来多种优势。根据网络虚拟化领域的快速发展，我们预见未来的智慧城市将无处不在地部署由人工智能（AI）控制的虚拟化组件，即数字孪生（DT）范式的概念化。DT 的关键原理依赖于创建无线网络元素的整体表示，以及将与物理对象和动态相关的信息分离为网络孪生。然后，网络孪生将利用这些信息进行 AI 模型训练，然后进行推理和决策操作，然后将这些操作反映到物理环境中，以提高可持续性。受此启发，我们在本文中提出了 DT 在智能城市应用中的集成的前瞻性愿景，以及无线技术作为 DT 的推动者和推动者所发挥的相互交织的作用。此外，我们勾勒出路线图，以确定 6G 智能城市中 DT 的局限性，并为不同设计方面的进一步发展开辟新视野。
基于自导向学习的云资源管理工作负载预测模型
工作负载预测在智能资源扩展和负载平衡中起着至关重要的作用，可最大限度地提高云服务提供商的经济增长以及用户的体验质量 (QoE)。人们发现了多种方法来估计未来的工作负载，并且机器学习被广泛用于提高预测准确性。本文提出了一种自导向工作负载预测方法 (SDWF)，该方法通过计算最近预测中的偏差来捕捉预测误差趋势，并将其应用于提高进一步预测的准确性。该模型采用基于黑洞现象的改进启发式方法来训练神经元。通过六种不同的真实世界数据轨迹评估了所提出方法的有效性。将该模型的准确性与使用不同最先进方法（包括深度学习、差分进化和反向传播）的现有模型进行了比较。与现有方法相比，均方预测误差的最大相对减少量高达 99.99%。此外，还采用 Friedman 和 Wilcoxon 符号秩检验进行统计分析，以验证所提出的预测模型的有效性。2020 Elsevier Inc. 保留所有权利。
Bariah, Lina；Sari, Hikmet；Debbah, Merouane (2022)：数字孪生赋能的智慧城市：无线网络的新前沿。TechRxiv。预印本。https://doi.org/10.36227/techrxiv.20375325.v1
摘要 — 无线网络的未来发展方向是释放智慧城市应用中虚拟化和数字化服务所提供的机遇，旨在提高体验质量（QoE）并为现代城市带来多种优势。根据网络虚拟化领域的快速发展，我们预见未来的智慧城市将无处不在地部署由人工智能（AI）控制的虚拟化组件，即数字孪生（DT）范式的概念化。DT 的关键原理依赖于创建无线网络元素的整体表示，除了将与物理对象和动态相关的信息解耦为信息孪生之外，还依赖于创建无线网络元素的整体表示。然后，信息孪生将利用这些信息进行 AI 模型训练，然后进行推理和决策操作，然后将这些操作反映到物理环境中，以提高可持续性。受此启发，我们在本文中提出了将数字孪生技术融入智慧城市应用的前瞻性愿景，以及无线技术作为数字孪生技术的推动者与推动者所发挥的相互交织的作用。此外，我们勾勒出路线图，以确定数字孪生技术在 6G 智慧城市中的局限性，并为不同设计方面的进一步发展开辟新视野。
能量感知分布式推理的视角
摘要 — 对快速响应的高质量人工智能生成内容 (AIGC) 的追求推动了自然语言处理 (NLP) 服务的发展，尤其是在边缘启用的服务 (即边缘 NLP)。具体来说，我们研究了下一个单词预测的分布式推理，这是用户设备上移动键盘的流行边缘 NLP 服务。因此，我们优化了耦合指标，即最大化预测点击率 (CTR) 以提高服务质量 (QoS)，最小化用户不耐烦以增强体验质量 (QoE)，并将能耗控制在可持续发展的预算范围内。此外，我们考虑了现实世界的环境，其中没有关于异构 NLP 模型预测准确性的先验知识。通过集成在线学习和在线控制，我们提出了一种新颖的分布式推理算法，用于考虑用户不耐烦的在线下一个单词预测 (DONUT)，以估计模型的预测准确性并平衡耦合指标之间的权衡。我们的理论分析表明，DONUT 实现了亚线性遗憾（CTR 损失），确保了有限的用户不耐烦，并保持了预算内的能耗。通过数值模拟，我们不仅证明了 DONUT 优于其他基线方法的性能，还证明了其对各种设置的适应性。
6G 系统中可解释 AI 模型的联合学习
摘要：本文介绍了可解释人工智能 (XAI) 模型的联邦学习 (FL) 概念，作为先进 5G 至 6G 系统的一项使能技术，并讨论了其在自动车辆网络用例中的适用性。尽管已经广泛研究了神经网络的 FL，利用随机梯度下降的变体作为优化方法，但在固有可解释模型的背景下尚未得到充分研究。一方面，XAI 通过帮助最终用户信任（通过设计）网络内 AI 功能会发出适当的操作建议，允许改善所提供通信服务的用户体验。另一方面，FL 确保整个系统的车辆和用户数据的安全和隐私。现有的基于 AI 的无线网络规划、设计和运营解决方案往往忽略了这些要求。从这个角度来看，本文详细描述了相关的 6G 用例，重点关注车对万物 (V2X) 环境：我们描述了一个框架来评估所提出的方法，该方法涉及基于实时网络的真实数据进行在线训练。XAI 模型的 FL 有望作为一种实现去中心化、轻量级和通信高效智能无缝可用性的方法带来好处。所提出方法的影响（包括标准化视角）在于提高操作的可信度，例如通过可解释体验质量 (QoE) 预测，以及对来自传感器、终端、用户和应用程序的数据进行安全和隐私保护管理。
流式优化的3D高斯脱落
3D高斯脱落（3DGS）已成为一种开创性的3D场景表示技术，提供了前所未有的视觉质量和渲染效率。但是，3DGS场景的大量数据卷在流媒体上构成了重大挑战。现有对3DGS的研究主要集中在压缩和提高效率上，忽略了流传输的具体质量。此外，3DG中的球形谐波颜色表示使基于视口的传输分配复杂化。在没有明显质量下降的情况下实现层次结构高斯流也是一个重大挑战。为了应对这些挑战，我们提出了SRBF-Gaussian，这是一种彻底改变传统3DGS格式的新范式。我们的方法基于球形径向基础函数（SRBF）和HSL颜色空间引入了与视口有关的颜色编码，从而可以选择性地传输与视口相关的颜色数据。这在保持视觉质量的同时减少了数据传输。我们实施自适应高斯修剪和传输，以适应当前的视口和网络条件。补充 - 我们开发了连贯的多级高斯表示，以在质量水平之间平稳过渡。我们的系统结合了用户 - 行为感知的流策略，以预测和预先提取相关数据。在云VR方案中，我们的方法表明了实质性改善，PSNR增长了5.63％-14.17％，延迟下降7.61％-59.16％，总体经验质量（QOE）提高了10.45％-30.12％。
grnet：G-PCC压缩的几何恢复...
摘要 - 基于损耗的几何点云压缩（G-PCC）不可避免地会损害点云的几何信息，这在诸如分类等任务等任务中的重新结构和/或误导决策中降低了经验质量（QOE）。为了解决它，这项工作提出了GRNET，以恢复G-PCC压缩大规模点云的几何形状。通过分析原始和G-PCC压缩点云的内容特性，我们将G-PCC失真归因于两个关键因素：点消失和点位移。点云上的可见障碍通常由个体因素或由两个因素施加的超级因素主导，这取决于原始点云的密度。为此，我们采用了两个不同的模型进行坐标重建，称为坐标扩展并分别攻击点消失和位移点。INADDITION，4- byteauxilaryDensitySinformation在BITSTREAM中发出信号，以帮助选择扩展，协调坐标，坐标，或它们的组合。在被送入坐标重建模块中之前，G-PCC压缩点云首次是由用于多尺度信息融合的特征分析模块处理的，其中基于K NN的变压器在每个尺度上都利用了基于K的变压器，以适应邻域几何学的邻域几何学动力学来有效恢复。以MPEG标准化委员会建议的常见测试条件显着提高了G-PCC锚点，并且在各种点云（例如，实心，密度和稀疏的样品）上的最先进方法均超过了最先进的方法。同时，与现有基于学习的方法相比，GRNET运行速度相当快，并且使用较小的模型，从而使其对行业从业人员有吸引力。
5G网络中的AI驱动网络编排
摘要：5G网络的出现引入了连通性的新时代，实现了更快的速度，较低的延迟以及对大量连接设备的支持。为了满足对可靠，高效和可扩展网络的不断增长的需求，AI驱动的网络编排正在5G环境中成为一种关键技术。利用人工智能（AI）和机器学习（ML），5G中的网络编排正在从手动，反应性管理转变为主动和适应性自动化。此转换可以通过不断从网络条件和用户行为学习来实现动态资源分配，优化的流量流以及增强的服务质量。AI驱动的编排允许实时决策，资源优化和预测性维护，这共同有助于更具弹性和敏捷的网络。此外，它通过动态调整每个区域的独特要求来增强在远程医疗，自动驾驶汽车和智能城市等领域中管理复杂，多样化用例的能力。通过利用AI和ML的功能，网络运营商可以降低运营成本，提高可扩展性并实现严格的性能基准。本文探讨了AI和ML在精心策划5G网络中的作用，突出了关键技术，挑战和未来的影响。KEYWORDS: AI-driven network orchestration, 5G network optimization, machine learning in telecommunications, dynamic network management, predictive analytics, reinforcement learning, neural networks, network slicing, resource allocation, AI in telemedicine, autonomous vehicles, industrial IoT, smart manufacturing, edge AI, network scalability, quality of service (QoS), quality of experience (QoE), data privacy in 5G, future AI和5G的趋势，网络安全性，用于网络资源管理的AI，电信创新，5G网络体系结构和实时网络调整。