Federated Variational Autoencoder and Transformers for Temporal Data Augmentation and Interference Detection in Heterogeneous 5G Networks
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
In this paper, we address passive intermodulation (PIM) interference in heterogeneous fifth-generation (<tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{5 G}$</tex>) networks, compounded by limited datasets and non-independent, non-identically distributed (non-IID) data across cells. Though uncommon, PIM events can significantly degrade the signal-to-interference-plus-noise ratio (SINR), making their timely detection essential. Newly deployed cells often lack sufficient PIM samples to train a PIM detector, while existing cells face imbalances between PIM and no PIM data, complicating deep learning (DL) model training. The varying data distribution across cells adds further complexity. We propose a Federated Variational Autoencoder with Averaging Filter (FVAE-AvF) framework to address data heterogeneity, scarcity, and imbalanced data across cells in 5G networks. The Temporal Augmentation Variational Long Short-Term Memory (TAVLNet) serves as the local model, generating temporally coherent synthetic PIM data, while an Averaging Filter (AvF) ensures smoother data generation. For PIM detection, Vision Transformers (ViTs) are employed. Training them on the synthetic data generated from the FVAEAvF significantly improves detection accuracy and robustness. Leveraging federated learning (FL), the framework enables training without transferring data to a central location reducing data transfer costs and enhancing performance, particularly in managing non-IID data across distributed networks. It also allows cells with limited PIM data to benefit from the training on data from other cells, ensuring more effective model development. Numerical results show that the FVAE-AvF framework handles heterogeneous non-IID data better, improves detector performance with generated data, and enhances network robustness compared to existing FL and data augmentation methods.
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 | 0,000 |
| 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