論文の概要: Reinforcement Learning of Graph Neural Networks for Service Function Chaining

• arxiv url: http://arxiv.org/abs/2011.08406v1
• Date: Tue, 17 Nov 2020 03:50:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 16:21:13.197453
• Title: Reinforcement Learning of Graph Neural Networks for Service Function Chaining
• Title（参考訳）: サービス機能チェーンのためのグラフニューラルネットワークの強化学習
• Authors: DongNyeong Heo, Doyoung Lee, Hee-Gon Kim, Suhyun Park, Heeyoul Choi
• Abstract要約: サービス機能連鎖(SFC)モジュールは、物理サーバを介してネットワークトラフィックの効率的な経路を生成することで重要な役割を果たす。 従来の教師付き学習手法では,SFCタスクのネットワーク特徴をグラフニューラルネットワーク(GNN)で表現できることが実証された。 本稿では,ラベルなしデータを用いた各種ネットワークトポロジのトレーニングモデルに強化学習手法を適用した。
• 参考スコア（独自算出の注目度）: 3.9373541926236766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the management of computer network systems, the service function chaining (SFC) modules play an important role by generating efficient paths for network traffic through physical servers with virtualized network functions (VNF). To provide the highest quality of services, the SFC module should generate a valid path quickly even in various network topology situations including dynamic VNF resources, various requests, and changes of topologies. The previous supervised learning method demonstrated that the network features can be represented by graph neural networks (GNNs) for the SFC task. However, the performance was limited to only the fixed topology with labeled data. In this paper, we apply reinforcement learning methods for training models on various network topologies with unlabeled data. In the experiments, compared to the previous supervised learning method, the proposed methods demonstrated remarkable flexibility in new topologies without re-designing and re-training, while preserving a similar level of performance.
• Abstract（参考訳）: コンピュータネットワークシステムの管理において、仮想ネットワーク機能を持つ物理サーバ(VNF)を介してネットワークトラフィックの効率的な経路を生成することにより、サービス機能連鎖(SFC)モジュールが重要な役割を果たす。 サービスの品質を高めるために、SFCモジュールは動的VNFリソース、様々なリクエスト、トポロジの変更を含む様々なネットワークトポロジ状況においても、有効なパスを迅速に生成する必要がある。 従来の教師付き学習手法では,SFCタスクのネットワーク特徴をグラフニューラルネットワーク(GNN)で表現できることが実証された。 しかし、性能はラベル付きデータを持つ固定トポロジのみに限られていた。 本稿では,ラベルなしデータを用いた各種ネットワークトポロジのトレーニングモデルに対する強化学習手法を適用する。 実験では, 従来の教師付き学習法と比較して, 同様の性能を維持しつつ, 再設計や再学習を行わずに, 新たなトポロジに顕著な柔軟性を示した。

関連論文リスト

• Local Kernel Renormalization as a mechanism for feature learning in overparametrized Convolutional Neural Networks [0.0]
  実験的な証拠は、無限幅限界における完全連結ニューラルネットワークが最終的に有限幅限界よりも優れていることを示している。 畳み込み層を持つ最先端アーキテクチャは、有限幅構造において最適な性能を達成する。 有限幅FCネットワークの一般化性能は,ガウス事前選択に適した無限幅ネットワークで得られることを示す。
  論文  参考訳（メタデータ） (2023-07-21T17:22:04Z)
• Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet Energy [103.74640329539389]
  特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。 我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。 本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
  論文  参考訳（メタデータ） (2023-05-21T08:15:55Z)
• Advanced Scaling Methods for VNF deployment with Reinforcement Learning [0.0]
  ネットワーク機能仮想化(NFV)とソフトウェア定義ネットワーク(SDN)は新たなネットワークパラダイムとなっている。 VNFデプロイメントを最適化するための強化学習(RL)ベースのアプローチが提案されている。 本稿では,より一般的なネットワーク設定に適応可能な拡張モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-19T21:31:23Z)
• SIRe-Networks: Skip Connections over Interlaced Multi-Task Learning and Residual Connections for Structure Preserving Object Classification [28.02302915971059]
  本稿では、オブジェクト分類タスクにおける消失勾配を低減するために、SIReを定義したインターレース型マルチタスク学習戦略を提案する。 提案手法は、自動エンコーダを介して入力画像構造を保存することにより、畳み込みニューラルネットワーク(CNN)を直接改善する。 提案手法を検証するため、SIRe戦略を介して単純なCNNと有名なネットワークの様々な実装を拡張し、CIFAR100データセットで広範囲にテストする。
  論文  参考訳（メタデータ） (2021-10-06T13:54:49Z)
• Sequential Deep Learning Architectures for Anomaly Detection in Virtual Network Function Chains [0.0]
  サービス機能チェーン(SFC)における仮想ネットワーク機能のための異常検出システム(ADS) 本稿では,チェーン内の時系列パターンと仮想ネットワーク関数(VNF)の逐次パターンを可変長で学習するシーケンシャルディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-29T08:47:57Z)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
  そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。 提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。 また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
  論文  参考訳（メタデータ） (2021-02-03T09:30:45Z)
• Graph Neural Network based Service Function Chaining for Automatic Network Control [0.4817429789586127]
  サービス機能連鎖(SFC)は,ネットワークサーバの効率的な経路を見つけるための重要な技術である。 グラフニューラルネットワーク(GNN)に基づくSFCのための新しいニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-11T06:01:27Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• 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)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。