論文の概要: Applying Graph-based Deep Learning To Realistic Network Scenarios

• arxiv url: http://arxiv.org/abs/2010.06686v2
• Date: Mon, 15 Mar 2021 21:07:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:48:38.248239
• Title: Applying Graph-based Deep Learning To Realistic Network Scenarios
• Title（参考訳）: グラフベースのディープラーニングを現実のネットワークシナリオに適用する
• Authors: Miquel Ferriol-Galm\'es and Jos\'e Su\'arez-Varela and Pere Barlet-Ros and Albert Cabellos-Aparicio
• Abstract要約: 本稿では,ネットワーク内のパスごとの平均遅延を正確に推定できるグラフベースの新しいディープラーニングモデルを提案する。 提案モデルでは,トレーニングフェーズ中に見つからないトポロジ,ルーティング構成,キュースケジューリングポリシ,トラフィック行列をうまく一般化することができる。
• 参考スコア（独自算出の注目度）: 5.453745629140304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in Machine Learning (ML) have shown a great potential to build data-driven solutions for a plethora of network-related problems. In this context, building fast and accurate network models is essential to achieve functional optimization tools for networking. However, state-of-the-art ML-based techniques for network modelling are not able to provide accurate estimates of important performance metrics such as delay or jitter in realistic network scenarios with sophisticated queue scheduling configurations. This paper presents a new Graph-based deep learning model able to estimate accurately the per-path mean delay in networks. The proposed model can generalize successfully over topologies, routing configurations, queue scheduling policies and traffic matrices unseen during the training phase.
• Abstract（参考訳）: 機械学習(ML)の最近の進歩は、多くのネットワーク関連の問題に対して、データ駆動型ソリューションを構築する大きな可能性を示している。 この文脈では、ネットワークのための機能最適化ツールを実現するためには、高速で正確なネットワークモデルを構築することが不可欠である。 しかし、最新のMLベースのネットワークモデリング技術では、高度なキュースケジューリング構成を持つ現実的なネットワークシナリオにおいて、遅延やジッタといった重要なパフォーマンス指標を正確に見積もることができない。 本稿では,ネットワーク内のパス平均遅延を正確に推定可能なグラフベース深層学習モデルを提案する。 提案モデルでは,トレーニングフェーズ中に見つからないトポロジ,ルーティング構成,キュースケジューリングポリシ,トラフィック行列をうまく一般化することができる。

関連論文リスト

• Towards a graph-based foundation model for network traffic analysis [3.0558245652654907]
  基礎モデルはネットワークトラフィックの複雑さを把握でき、最小限の微調整で特定のタスクや環境に適応できる。 従来のアプローチではトークン化ヘックスレベルのパケットデータを使用していた。 本稿では,フローレベルでグラフベースの新しい代替案を提案する。
  論文  参考訳（メタデータ） (2024-09-12T15:04:34Z)
• Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
  高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。 本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。 ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
  論文  参考訳（メタデータ） (2024-02-27T11:52:49Z)
• Building a Graph-based Deep Learning network model from captured traffic traces [4.671648049111933]
  技術ネットワークモデルの現状は離散事象シミュレーション(DES)に基づいているか依存している DESは非常に正確であり、計算コストも高く、並列化も困難であり、高性能ネットワークをシミュレートするには実用的ではない。 我々は,実際のネットワークシナリオの複雑さをより正確に捉えるために,グラフニューラルネットワーク(GNN)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2023-10-18T11:16:32Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• RouteNet-Fermi: Network Modeling with Graph Neural Networks [7.227467283378366]
  我々は、キューイング理論と同じ目標を共有するカスタムグラフニューラルネットワーク(GNN)モデルであるRouteNet-Fermiを紹介する。 提案モデルでは,ネットワークの遅延,ジッタ,パケット損失を正確に予測する。 実験の結果,RouteNet-Fermi はパケットレベルシミュレータと同様の精度でパケットレベルシミュレータを実現することがわかった。
  論文  参考訳（メタデータ） (2022-12-22T23:02:40Z)
• Open World Learning Graph Convolution for Latency Estimation in Routing Networks [16.228327606985257]
  グラフニューラルネットワークを用いてネットワークルーティングをモデル化する手法を提案する。 我々のモデルは、異なるネットワークサイズとルーティングネットワークの構成にまたがる安定した性能を共有し、同時に、目に見えないサイズ、構成、ユーザの振る舞いに対して外挿することができる。 予測精度,計算資源,推論速度,およびオープンワールド入力への一般化能力の観点から,本モデルが従来のディープラーニングモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-08T19:26:40Z)
• RouteNet-Erlang: A Graph Neural Network for Network Performance Evaluation [5.56275556529722]
  本稿では,コンピュータネットワークをモデル化するためのGNNアーキテクチャであるemphRouteNet-Erlangを提案する。 RouteNet-Erlangは複雑なトラフィックモデル、マルチキュースケジューリングポリシー、ルーティングポリシーをサポートし、正確な見積もりを提供する。 RouteNet-Erlangを最先端のQTモデルと比較した結果、すべてのネットワークシナリオにおいてQTよりも優れています。
  論文  参考訳（メタデータ） (2022-02-28T17:09:53Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。