Self-Normalizing Neural Network, Enabling One Shot Transfer Learning for Modeling EDFA Wavelength Dependent Gain

要約

我々は、複数のEDFAの波長依存利得をモデル化するための、半教師付き、自己正規化ニューラルネットワークに基づく、新しいMLフレームワークを発表する。オープンアイルランドとCOSMOSのテストベッドで22個のEDFAを用いた実験では、異なるアンプタイプで動作させた場合でも、高精度の伝達学習が可能であることが示された。

要約(オリジナル)

We present a novel ML framework for modeling the wavelength-dependent gain of multiple EDFAs, based on semi-supervised, self-normalizing neural networks, enabling one-shot transfer learning. Our experiments on 22 EDFAs in Open Ireland and COSMOS testbeds show high-accuracy transfer-learning even when operated across different amplifier types.

arxiv情報

著者 Agastya Raj,Zehao Wang,Frank Slyne,Tingjun Chen,Dan Kilper,Marco Ruffini
発行日 2023-08-04 10:17:25+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.LG, cs.NI パーマリンク