Industry 4.0 imposes strict requirements on Fifth Generation (5G) system, such as high reliability, availability, and low latency. Guaranteeing such requirements means that there are supposed to be a low number of system failures. Such rareness can cause problems when access to a broader range of these failures is necessary (e.g., finding optimal scheduler or learning in Deep Reinforcement Learning (DRL)). This work will investigate the possibility of using Generative Adversarial Network (GAN) to generate rare events in wireless communication data that might cause failure events. Conventional training methods fall short when trained on such a dataset, as they will overfit the common values while ignoring the rare values. We propose an alternative training method for GANs, called incremental learning, that aims at increasing learning in the rare sections without sacrificing the learning of the rest of the dataset. / Industry 4.0 ställer strikta krav på 5Gsystemet, såsom hög tillförlitlighet, tillgänglighet och låg latens. För att säkerställa uppfyllandet av kraven ovan på systemet, måste antalet systemfel vara sällsynta. I vissa fall som t.ex. skapandet av en optimal ”scheduler” eller inlärning av DRL kan det vara problematiskt att ha ett system med sällsynta systemfel. Detta är sant, eftersom det kommer att vara nödvändigt och nästintill ett krav att ha tillgång till ett brett utbud av systemfel. Denna studie kommer undersöka möjligheten att använda GAN för att generera sällsynta händelser i trådlös kommunikationsdata. Konventionell träning misslyckas när den tränas på en sådan datamängd, eftersom den kommer att vara överanpassad för de vanliga värdena samtidigt som de sällsynta värdena ignoreras. Vårt förslag är att använda en så kallad ”incremental learning” som en alternativ metod för GANs. Inom ”incremental learning” strävar man efter att öka inlärningen i de sällsynta fallen utan att offra inlärningen av de resterande datamängd.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-306707 |
| Date | January 2021 |
| Creators | Baldvinsson, Jón Rúnar |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:824 |
Page generated in 0.002 seconds