MARC

 008260126s2024        us                              c    eng  d
■001000017360541
■00520260202105544
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263393373
■035    ▼a(MiAaPQ)AAI32315479
■035    ▼a(MiAaPQ)GeorgiaTech75326
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a300
■1001  ▼aAlamoudi,  Abdulrahman  Mohammed  A.
■24510▼aMachine  Learning  for  Traffic  Prediction  and  Communication  Efficient  Data  Analytic  in  Wireless  Networks
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a120  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Fekri,  Faramarz.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aWith  the  exponential  growth  of  available  data,  deep  learning  has  emerged  as  a  fundamental  tool  for  interpreting  data  abstractions  and  constructing  computational  models.  It  has  revolutionized  our  understanding  of  information  processing,  facilitating  exploration  across  diverse  domains  such  as  text  and  signal  analysis,  image  and  audio  recognition,  social  network  analysis,  and  bioinformatics.  The  overarching  goal  of  this  research  is  to  minimize  wireless  network  traffic  and  operational  costs  for  mobile  users  and  network  operators,  respectively.  The  integrated  framework  endeavors  to  develop  predictive  models  by  analyzing  the  behavior  of  mobile  users  within  wireless  networks  and  designing  efficient,  task-oriented  models  in  wireless  networks.  Particularly,  our  research  taps  into  machine  learning  to  learn  and  forecast  mobile  user  behaviors,  design  semantic  communication  systems  over  noisy  channels,  and  implement  unsupervised  distributed  functional  compression  over  wireless  channels.Machine  Learning  for  Predicting  Mobile  Users  Web  Applications  Traffic  and  Access-time  Behavior  in  Wireless  Networks:  We  first  highlight  the  significant  limitations  of  traditional  browsing  prediction  models,  primarily  due  to  their  lack  of  access  to  mobile  user  behavioral  data.  The  browsing  behavior  of  mobile  users  exhibits  complex  spatial  and  temporal  dependencies  with  the  accessed  content.  Further,  mobile  users  are  often  unwilling  to  share  their  information  with  a  third  party  for  privacy  concerns.  Our  research  aims  to  address  this  gap  by  leveraging  machine  learning  techniques  to  learn  and  predict  mobile  user  web  content  and  time  access,  thereby  effectively  capturing  statistical  dependencies  and  sequential  behavior  patterns.  This  approach  seeks  to  alleviate  traffic  congestion  on  cellular  networks  during  peak  periods  and  enhance  network  connectivity  by  predicting  users'  browsing  patterns.  Particularly,  we  develop  a  Recurrent  Neural  Network  (RNN)  with  Long  Short-Term  Memory  (LSTM),  leveraging  engineered  features  to  effectively  learn  and  predict  users'  web  browsing  behaviors.  Additionally,  we  propose  a  Self-Exciting  Memory  Neural  Network  (SMNN)  to  forecast  the  future  access  times  of  mobile  users,  utilizing  self-exciting  point  processes  and  intensity  modeling  for  prediction.  We  further  expand  our  framework  to  predict  group  users  behaviors  within  cell  towers,  where  we  resort  on  clustering  methods  to  group  the  users  based  on  their  similar  behaviors.  Then,  we  develop  a  separate  LSTM  model  for  each  cluster  to  predict  web  domain  traffic  activities  for  the  cell  tower.Since  mobile  user  browsing  content  is  dynamic,  we  focus  next  on  mining  non-overlapping  clickstream  patterns  with  noisy  interleaving  clicks  within  the  mobile  user  clickstream  history.  Furthermore,  we  aim  to  label  these  identified  patterns  in  the  user  browsing  history.  To  accomplish  these  objectives,  we  employ  a  modified  suffix  tree  to  extract  patterns  accurately  from  the  user  browsing  database.  Subsequently,  we  propose  a  probabilistic  graphical  approach  to  model  and  capture  dependencies  between  these  extracted  patterns  and  predict  future  clickstream  pattern  to  be  accessed.Machine  Learning  for  Designing  Semantic  Communication  Systems  over  Wireless  Channels:  Semantic  communication  systems  play  a  crucial  role  in  modern  wireless  networks  by  aligning  communication  processes  with  specific  tasks  or  objectives,  thereby  optimizing  resource  utilization,  enhancing  efficiency,  and  improving  overall  system  performance.  In  this  research,  we  focus  in  text  semantic  communication  systems  which  have  largely  been  driven  by  the  integration  of  machine  learning  techniques.  The  primary  motivation  behind  adopting  a  text  semantic  approach,  which  focuses  on  conveying  meaning  rather  than  exact  reconstruction,  is  to  conserve  resources  such  as  bandwidth  and  improve  the  efficiency  of  information  transmission  to  receiver.  In  particular,  we  propose  a  deep  learning  communication  framework  specifically  designed  for  learning  semantic  text  over  orthogonal  Additive  White  Gaussian  Noise  (AWGN)  channels.  This  framework  utilizes  on  the  Information  Bottleneck  (IB)  principle  to  reduce  data  size  in  compliance  with  the  required  Communication  rate  while  preserving  the  semantic  meaning  of  the  text.  Moreover,  we  incorporate  sentence  similarity  into  the  learning  objective  function  to  ensure  consistency  between  model  training  and  performance  evaluation.  We  leverage  the  capabilities  of  Large  Language  Models  (LLMs)  to  guide  the  learning  process,  employing  a  knowledge  distillation  approach  for  online  training.  Specifically,  we  train  a  neural  semantic  encoder  at  the  transmitter  and  a  neural  semantic  decoder  at  the  receiver  using  the  proposed  learning  objective  function  in  an  online  training  paradigm.
■590    ▼aSchool  code:  0078.
■650  4▼aPrivacy
■650  4▼aTraffic  congestion
■650  4▼aNeural  networks
■650  4▼aTransportation
■690    ▼a0800
■690    ▼a0709
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360541▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books