論文の概要: Learning Power Control for Cellular Systems with Heterogeneous Graph
Neural Network
- arxiv url: http://arxiv.org/abs/2011.03164v1
- Date: Fri, 6 Nov 2020 02:41:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 05:42:16.360032
- Title: Learning Power Control for Cellular Systems with Heterogeneous Graph
Neural Network
- Title（参考訳）: 不均一グラフニューラルネットワークを用いたセルラーシステムの学習電力制御
- Authors: Jia Guo and Chenyang Yang
- Abstract要約: 電力制御ポリシには異なるPI特性とPE特性が組み合わさっており,既存のHetGNNはこれらの特性を満足していないことを示す。
We design a parameter sharing scheme for HetGNN that the learned relationship satisfed the desired properties。
- 参考スコア（独自算出の注目度）: 37.060397377445504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimizing power control in multi-cell cellular networks with deep learning
enables such a non-convex problem to be implemented in real-time. When channels
are time-varying, the deep neural networks (DNNs) need to be re-trained
frequently, which calls for low training complexity. To reduce the number of
training samples and the size of DNN required to achieve good performance, a
promising approach is to embed the DNNs with priori knowledge. Since cellular
networks can be modelled as a graph, it is natural to employ graph neural
networks (GNNs) for learning, which exhibit permutation invariance (PI) and
equivalence (PE) properties. Unlike the homogeneous GNNs that have been used
for wireless problems, whose outputs are invariant or equivalent to arbitrary
permutations of vertexes, heterogeneous GNNs (HetGNNs), which are more
appropriate to model cellular networks, are only invariant or equivalent to
some permutations. If the PI or PE properties of the HetGNN do not match the
property of the task to be learned, the performance degrades dramatically. In
this paper, we show that the power control policy has a combination of
different PI and PE properties, and existing HetGNN does not satisfy these
properties. We then design a parameter sharing scheme for HetGNN such that the
learned relationship satisfies the desired properties. Simulation results show
that the sample complexity and the size of designed GNN for learning the
optimal power control policy in multi-user multi-cell networks are much lower
than the existing DNNs, when achieving the same sum rate loss from the
numerically obtained solutions.
- Abstract（参考訳）: 深層学習を用いたマルチセルセルネットワークにおける電力制御の最適化により、このような非凸問題をリアルタイムに実装することができる。
チャネルが時間を要する場合、ディープニューラルネットワーク(dnn)を頻繁に再トレーニングする必要があるため、トレーニングの複雑さが低下する。
優れたパフォーマンスを達成するのに必要なトレーニングサンプルの数とDNNのサイズを減らすために、期待できるアプローチは、DNNを事前知識で埋め込むことである。
セルネットワークはグラフとしてモデル化できるため、学習にグラフニューラルネットワーク(GNN)を用いるのは自然であり、置換不変性(PI)と等価性(PE)特性を示す。
出力が頂点の任意の置換に不変あるいは同値である無線問題に使用される均質なgnnとは異なり、セルネットワークのモデル化により適する異種gnn(hetgnn)は、一部の置換にのみ不変または同値である。
HetGNNのPIまたはPE特性が学習するタスクの特性と一致しない場合、性能は劇的に低下する。
本稿では,電力制御ポリシに異なるPI特性とPE特性が組み合わさっており,既存のHetGNNはこれらの特性を満足していないことを示す。
次に,学習関係が所望の特性を満たすように,hetgnnのパラメータ共有スキームを設計する。
シミュレーションの結果,マルチユーザマルチセルネットワークにおける最適電力制御ポリシーを学習するための設計したGNNの複雑さとサイズは,数値的に得られた解から同じ総和率の損失を達成する際に,既存のDNNよりもはるかに低いことがわかった。
関連論文リスト
- Learning Load Balancing with GNN in MPTCP-Enabled Heterogeneous Networks [13.178956651532213]
本稿では,MP TCP 対応 HetNet の LB 問題に対処するグラフニューラルネットワーク (GNN) モデルを提案する。
従来のディープニューラルネットワーク(DNN)と比較して、提案したGNNベースのモデルには2つの重要な長所がある。
論文 参考訳（メタデータ） (2024-10-22T15:49:53Z) - GPT-PINN: Generative Pre-Trained Physics-Informed Neural Networks toward
non-intrusive Meta-learning of parametric PDEs [0.0]
パラメトリックPDEの設定における課題を緩和するために,GPT-PINN(Generative Pre-Trained PINN)を提案する。
ネットワークのネットワークとして、その外/meta-networkは、ニューロン数が大幅に減少している隠蔽層が1つしかないことで、ハイパーリデュースされる。
メタネットワークは、システムのパラメトリック依存を適応的に学習し、この隠れた1つのニューロンを一度に成長させる。
論文 参考訳（メタデータ） (2023-03-27T02:22:09Z) - GNN-Ensemble: Towards Random Decision Graph Neural Networks [3.7620848582312405]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに広く応用されている。
GNNは、大量のテストデータに基づいて推論を行うために、限られた量のトレーニングデータから潜伏パターンを学習する必要がある。
本稿では、GNNのアンサンブル学習を一歩前進させ、精度、堅牢性、敵攻撃を改善した。
論文 参考訳（メタデータ） (2023-03-20T18:24:01Z) - A Model-based GNN for Learning Precoding [37.060397377445504]
ニューラルネットワークによる事前コーディングポリシの学習は、低複雑性のオンライン実装、チャネル障害に対する堅牢性、チャネル取得との併用最適化を可能にする。
既存のニューラルネットワークは、マルチユーザ干渉を緩和するためのプリコーディングの最適化を学ぶために使用されると、トレーニングの複雑さと一般化能力の低下に悩まされる。
数理モデルとポリシの特性を両立させることにより,プリコーディングポリシを学習するためのグラフニューラルネットワーク(GNN)を提案する。
論文 参考訳（メタデータ） (2022-12-01T20:40:38Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z) - Self-Organized Operational Neural Networks with Generative Neurons [87.32169414230822]
ONNは、任意の非線型作用素をカプセル化できる一般化されたニューロンモデルを持つ異種ネットワークである。
我々は,各接続の結節演算子を適応(最適化)できる生成ニューロンを有する自己組織型ONN(Self-ONNs)を提案する。
論文 参考訳（メタデータ） (2020-04-24T14:37:56Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - Constructing Deep Neural Networks with a Priori Knowledge of Wireless
Tasks [37.060397377445504]
無線タスクに広く存在する2種類の置換不変性は、モデルパラメータの数を減らすために利用することができる。
可変DNN (permutation invariant DNN) と呼ばれる特性を満たす入出力関係を持つDNNの特殊構造を求める。
予測資源配分と干渉調整を例として,教師なし・教師なし学習による最適政策学習にPINNをいかに活用できるかを示す。
論文 参考訳（メタデータ） (2020-01-29T08:54:42Z)
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。