論文の概要: Efficient power allocation using graph neural networks and deep
algorithm unfolding
- arxiv url: http://arxiv.org/abs/2012.02250v1
- Date: Wed, 18 Nov 2020 05:28:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 05:23:40.660712
- Title: Efficient power allocation using graph neural networks and deep
algorithm unfolding
- Title(参考訳): グラフニューラルネットワークとディープアルゴリズム展開を用いた効率的な電力割当
- Authors: Arindam Chowdhury, Gunjan Verma, Chirag Rao, Ananthram Swami and
Santiago Segarra
- Abstract要約: 単一ホップアドホック無線ネットワークにおける最適電力配分の問題について検討する。
アルゴリズム重み付き最小二乗誤差(WMMSE)の展開に着想を得たハイブリッドニューラルネットワークアーキテクチャを提案する。
UWMMSEはWMMSEに匹敵する堅牢性を達成し,計算複雑性を著しく低減することを示す。
- 参考スコア(独自算出の注目度): 40.78748956518785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of optimal power allocation in a single-hop ad hoc
wireless network. In solving this problem, we propose a hybrid neural
architecture inspired by the algorithmic unfolding of the iterative weighted
minimum mean squared error (WMMSE) method, that we denote as unfolded WMMSE
(UWMMSE). The learnable weights within UWMMSE are parameterized using graph
neural networks (GNNs), where the time-varying underlying graphs are given by
the fading interference coefficients in the wireless network. These GNNs are
trained through a gradient descent approach based on multiple instances of the
power allocation problem. Once trained, UWMMSE achieves performance comparable
to that of WMMSE while significantly reducing the computational complexity.
This phenomenon is illustrated through numerical experiments along with the
robustness and generalization to wireless networks of different densities and
sizes.
- Abstract(参考訳): 単一ホップアドホック無線ネットワークにおける最適電力配分の問題について検討する。
この問題を解決するために,我々は,WMMSE (Unfolded WMMSE) と呼ばれる反復重み付き最小二乗誤差法 (WMMSE) のアルゴリズム的展開に着想を得たハイブリッドニューラルネットワークアーキテクチャを提案する。
uwmmse内の学習可能な重みは、無線ネットワークのフェーディング干渉係数によって時間的に変動するグラフが与えられるグラフニューラルネットワーク(gnns)を用いてパラメータ化される。
これらのGNNは、パワー割り当て問題の複数のインスタンスに基づいて勾配降下法を用いて訓練される。
訓練後、UWMMSEはWMMSEに匹敵する性能を達成し、計算複雑性を大幅に低減する。
この現象は、密度や大きさの異なる無線ネットワークへのロバスト性と一般化とともに、数値実験によって示される。
関連論文リスト
- Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳(メタデータ) (2023-09-12T13:03:47Z) - Deep Graph Unfolding for Beamforming in MU-MIMO Interference Networks [37.32261787567901]
マルチユーザ複数出力シングルホップ無線アドホック干渉ネットワークにおいて,ビームフォーミングを効率よく,ほぼ最適に行うソリューションを開発した。
この問題に対する古典的アプローチである重み付き最小平均二乗誤差(WMMSE)法と,アルゴリズムの展開原理に着想を得て,MU-MIMOのための展開WMMSEを提案する。
論文 参考訳(メタデータ) (2023-04-02T04:34:00Z) - Graph Neural Networks for Power Allocation in Wireless Networks with
Full Duplex Nodes [10.150768420975155]
ユーザ間の相互干渉のため、無線ネットワークにおける電力割り当て問題はしばしば自明ではない。
グラフグラフニューラルネットワーク(GNN)は、これらの問題に対処するための有望なアプローチとして最近登場し、無線ネットワークの基盤となるトポロジを活用するアプローチである。
論文 参考訳(メタデータ) (2023-03-27T10:59:09Z) - Stochastic Markov Gradient Descent and Training Low-Bit Neural Networks [77.34726150561087]
本稿では,量子化ニューラルネットワークのトレーニングに適用可能な離散最適化手法であるGradient Markov Descent (SMGD)を紹介する。
アルゴリズム性能の理論的保証と数値的な結果の促進を提供する。
論文 参考訳(メタデータ) (2020-08-25T15:48:15Z) - Graph Neural Networks for Scalable Radio Resource Management:
Architecture Design and Theoretical Analysis [31.372548374969387]
本稿では,大規模無線資源管理問題にグラフニューラルネットワーク(GNN)を適用することを提案する。
提案手法はスケーラビリティが高く,1つのGPU上で1,000ドルのトランシーバペアを6ミリ秒以内で行う干渉チャネルにおけるビームフォーミング問題を解くことができる。
論文 参考訳(メタデータ) (2020-07-15T11:43:32Z) - Deep unfolding of the weighted MMSE beamforming algorithm [9.518010235273783]
MISOダウンリンクチャネルに対するWMMSEアルゴリズムに対する深部展開の新たな適用法を提案する。
深層展開は、自然に専門家の知識を取り入れており、即時かつしっかりとしたアーキテクチャ選択の利点、トレーニング可能なパラメータの少ないこと、説明可能性の向上がある。
シミュレーションにより、ほとんどの設定において、展開されたWMMSEは、一定回数の反復に対して、WMMSEよりも優れているか、等しく動作することを示す。
論文 参考訳(メタデータ) (2020-06-15T14:51:20Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳(メタデータ) (2020-06-15T02:57:57Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳(メタデータ) (2020-05-05T18:08:23Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳(メタデータ) (2020-04-17T19:12:39Z)
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。