A Machine Learning Framework for Handling Delayed/Lost Packets in Tactile Internet Remote Robotic Surgery
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 ($\ell _{1}$-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$\ell _{1}$-SRLSMF and SRLSMF GPR methods. Simulations were conducted to evaluate the performance of our proposed$\ell _{1}$-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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».