論文の概要: Deep Unsupervised Learning for Generalized Assignment Problems: A
Case-Study of User-Association in Wireless Networks
- arxiv url: http://arxiv.org/abs/2103.14548v1
- Date: Fri, 26 Mar 2021 16:07:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 15:04:06.460050
- Title: Deep Unsupervised Learning for Generalized Assignment Problems: A
Case-Study of User-Association in Wireless Networks
- Title（参考訳）: 一般配置問題に対する深層教師なし学習:無線ネットワークにおけるユーザ連想の事例研究
- Authors: Arjun Kaushik, Mehrazin Alizadeh, Omer Waqar, and Hina Tabassum
- Abstract要約: 本研究では,一般化代入問題(GAP)を時間効率良く解くために,DUL(Deep Unsupervised Learning)手法を提案する。
特に、カスタマイズされた損失関数を用いてディープニューラルネットワーク(DNN)のトレーニングを容易にする新しいアプローチを提案する。
数値実験の結果,提案手法は最適に近い結果をもたらし,時間・複雑さが著しく低下することが示された。
- 参考スコア（独自算出の注目度）: 11.42707683459227
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There exists many resource allocation problems in the field of wireless
communications which can be formulated as the generalized assignment problems
(GAP). GAP is a generic form of linear sum assignment problem (LSAP) and is
more challenging to solve owing to the presence of both equality and inequality
constraints. We propose a novel deep unsupervised learning (DUL) approach to
solve GAP in a time-efficient manner. More specifically, we propose a new
approach that facilitates to train a deep neural network (DNN) using a
customized loss function. This customized loss function constitutes the
objective function and penalty terms corresponding to both equality and
inequality constraints. Furthermore, we propose to employ a Softmax activation
function at the output of DNN along with tensor splitting which simplifies the
customized loss function and guarantees to meet the equality constraint. As a
case-study, we consider a typical user-association problem in a wireless
network, formulate it as GAP, and consequently solve it using our proposed DUL
approach. Numerical results demonstrate that the proposed DUL approach provides
near-optimal results with significantly lower time-complexity.
- Abstract（参考訳）: 無線通信分野には、一般化代入問題(GAP)として定式化できるリソース割り当て問題が多く存在する。
GAPは線形和代入問題(LSAP)の一般的な形式であり、等式制約と不等式制約の両方が存在するため、より解決が難しい。
本稿では,GAPを時間効率で解くための新しい深層教師なし学習(DUL)手法を提案する。
具体的には、カスタマイズされた損失関数を用いてディープニューラルネットワーク(DNN)のトレーニングを容易にする新しいアプローチを提案する。
このカスタマイズされた損失関数は、等式制約と不等式制約の両方に対応する目的関数とペナルティ項を構成する。
さらに,dnnの出力におけるソフトマックス活性化関数と,カスタマイズされた損失関数を単純化し,等式制約を満たすことを保証したテンソル分割を用いることを提案する。
ケーススタディとして,無線ネットワークにおける一般的なユーザ連想問題を検討し,それをギャップとして定式化し,提案手法を用いて解決する。
数値実験の結果,提案手法は最適に近い結果をもたらし,時間・複雑さが著しく低下することが示された。
関連論文リスト
- Learning to Solve Combinatorial Optimization under Positive Linear Constraints via Non-Autoregressive Neural Networks [103.78912399195005]
組合せ最適化(英: Combinatorial Optimization、CO)は、計算機科学、応用数学などにおける基本的な問題である。
本稿では, 正線形制約下でのCO問題の解法として, 非自己回帰ニューラルネットワーク群を設計する。
本研究では,施設位置,最大被覆率,旅行セールスマン問題を含む代表的CO問題の解決において,この枠組みの有効性を検証する。
論文 参考訳（メタデータ） (2024-09-06T14:58:31Z) - 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) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Power Control with QoS Guarantees: A Differentiable Projection-based
Unsupervised Learning Framework [14.518558523319518]
NPハード無線リソース割り当て問題を解決する潜在的なソリューションとして、ディープニューラルネットワーク(DNN)が登場している。
マルチユーザチャネルにおける古典的電力制御問題を解決するために,教師なし学習フレームワークを提案する。
提案手法は,データレートを向上するだけでなく,既存の計算に比べて制約違反の確率をゼロにすることを示す。
論文 参考訳（メタデータ） (2023-05-31T14:11:51Z) - Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。
この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
論文 参考訳（メタデータ） (2022-12-25T15:40:05Z) - Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。
シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文 参考訳（メタデータ） (2022-10-17T17:30:09Z) - Joint User Association and Power Allocation in Heterogeneous Ultra Dense
Network via Semi-Supervised Representation Learning [22.725452912879376]
HUDN(Heterogeneous Ultra-Dense Network)は、高接続密度と超高データレートを実現する。
本稿では,統合ユーザアソシエーションと電力制御問題を解決するための新しいアイデアを提案する。
グラフニューラルネットワーク(GNN)を訓練し、半教師付き学習を用いてこの表現関数にアプローチします。
論文 参考訳（メタデータ） (2021-03-29T06:39:51Z) - A Dynamic Penalty Function Approach for Constraints-Handling in
Reinforcement Learning [0.0]
本研究では,制約付き最適制御問題の解法としてReinforcement Learning (RL) を用いる。
ニューラルネットワークをトレーニングして値(あるいはQ)関数を学習する際、制約境界における関数値の急激な変化に起因する計算問題に遭遇することができる。
この訓練中の難易度は収束問題につながり、最終的にはクローズドループ性能が低下する。
論文 参考訳（メタデータ） (2020-12-22T02:13:59Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - Unsupervised Deep Learning for Optimizing Wireless Systems with
Instantaneous and Statistic Constraints [29.823814915538463]
我々は、教師なしのディープラーニングを用いて、瞬時的制約と統計的制約の両方で、双方の問題を解決する統一的な枠組みを確立する。
教師なし学習は、最適政策の違反確率と近似精度の観点から教師あり学習より優れていることを示す。
論文 参考訳（メタデータ） (2020-05-30T13:37:14Z) - Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。
非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。
また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
論文 参考訳（メタデータ） (2020-04-11T03:50:59Z)
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。