A Machine Learning Framework for Handling Delayed/Lost Packets in Tactile Internet Remote Robotic Surgery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Remote robotic surgery, one of the most interesting 5G-enabled Tactile Internet applications, requires an ultra-low latency of 1 ms and high reliability of 99.999%. Communication disruptions such as packet loss and delay in remote robotic surgery can prevent messages between the surgeon and patient from arriving within the required deadline. In this paper, we advocate for scalable Gaussian process regression (GPR) to predict the contents of delayed and/or lost messages. Specifically, two kernel versions of the sequential randomized low-rank and sparse matrix factorization method ( <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$\ell _{1}$ </tex-math></inline-formula> -SRLSMF and SRLSMF) are proposed to scale GPR and address the issue of delayed and/or lost data in the training dataset. Given that the standard eigen decomposition for online GPR covariance update is cost-prohibitive, we employ incremental eigen decomposition in <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$\ell _{1}$ </tex-math></inline-formula> -SRLSMF and SRLSMF GPR methods. Simulations were conducted to evaluate the performance of our proposed <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$\ell _{1}$ </tex-math></inline-formula> -SRLSMF and SRLSMF GPR methods to compensate for the detrimental impacts of excessive delay and packet loss associated with 5G-enabled Tactile Internet remote robotic surgery. The results demonstrate that our proposed framework can outperform state-of-the-art approaches in terms of haptic data generalization performance. Finally, we assess the proposed framework’s ability to meet the Tactile Internet requirement for remote robotic surgery and discuss future research directions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle