論文の概要: Scalable Power Control/Beamforming in Heterogeneous Wireless Networks
with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2104.05463v1
- Date: Mon, 12 Apr 2021 13:36:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 13:48:19.574382
- Title: Scalable Power Control/Beamforming in Heterogeneous Wireless Networks
with Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いた異種無線ネットワークにおけるスケーラブル電力制御/ビームフォーミング
- Authors: Xiaochen Zhang, Haitao Zhao, Jun Xiong, Li Zhou, Jibo Wei
- Abstract要約: そこで本研究では,HIGNN(heterogeneous Interference Graphural Network)という,教師なし学習に基づく新しいフレームワークを提案する。
HIGNNは、小型ネットワークで訓練された後、堅牢なパフォーマンスで拡大するサイズのワイヤレスネットワークにスケーラブルです。
- 参考スコア（独自算出の注目度）: 6.631773993784724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) has been widely used for efficient resource allocation
(RA) in wireless networks. Although superb performance is achieved on small and
simple networks, most existing ML-based approaches are confronted with
difficulties when heterogeneity occurs and network size expands. In this paper,
specifically focusing on power control/beamforming (PC/BF) in heterogeneous
device-to-device (D2D) networks, we propose a novel unsupervised learning-based
framework named heterogeneous interference graph neural network (HIGNN) to
handle these challenges. First, we characterize diversified link features and
interference relations with heterogeneous graphs. Then, HIGNN is proposed to
empower each link to obtain its individual transmission scheme after limited
information exchange with neighboring links. It is noteworthy that HIGNN is
scalable to wireless networks of growing sizes with robust performance after
trained on small-sized networks. Numerical results show that compared with
state-of-the-art benchmarks, HIGNN achieves much higher execution efficiency
while providing strong performance.
- Abstract（参考訳）: 機械学習(ml)は無線ネットワークにおける効率的なリソース割り当て(ra)に広く使われている。
しかし、既存のMLベースのアプローチのほとんどは、異種性が発生し、ネットワークサイズが大きくなると困難に直面している。
本稿では,ヘテロジニアス・デバイス間(d2d)ネットワークにおける電力制御/ビーム形成(pc/bf)に着目し,これらの課題に対処するために,教師なし学習ベースのフレームワークであるヘテロジニアス干渉グラフニューラルネットワーク(hignn)を提案する。
まず,多様化したリンク特徴と異種グラフとの干渉関係を特徴付ける。
次に、隣接リンクとの限られた情報交換の後、各リンクに個々の送信方式を付与するhignnを提案する。
注目に値するのは、HIGNNは、小型ネットワークで訓練した後、堅牢な性能で成長する無線ネットワークに対してスケーラブルであることだ。
HIGNNは、最先端のベンチマークと比較すると、高い性能を提供しながら、より高い実行効率を実現する。
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) - Multi-Flow Transmission in Wireless Interference Networks: A Convergent
Graph Learning Approach [9.852567834643292]
ネットワークデータ信号の2段階干渉対応マルチフロー最適化(DIAMOND)という新しいアルゴリズムを提案する。
集中型ステージは、グラフニューラルネットワーク(GNN)強化学習(RL)ルーティングエージェントの新しい設計を用いて、マルチフロー伝送戦略を計算する。
そして、分散学習更新の新しい設計に基づいて、分散ステージにより性能が向上する。
論文 参考訳（メタデータ） (2023-03-27T18:49:47Z) - Graph Neural Networks for Power Allocation in Wireless Networks with
Full Duplex Nodes [6.913985764584884]
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) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳（メタデータ） (2023-01-20T17:06:34Z) - Learning Cooperative Beamforming with Edge-Update Empowered Graph Neural
Networks [29.23937571816269]
グラフエッジ上での協調ビームフォーミングを学習するためのエッジグラフニューラルネットワーク(Edge-GNN)を提案する。
提案したEdge-GNNは、最先端の手法よりも計算時間をはるかに短くして、より高い和率を達成する。
論文 参考訳（メタデータ） (2022-11-23T02:05:06Z) - Graph-based Algorithm Unfolding for Energy-aware Power Allocation in
Wireless Networks [27.600081147252155]
我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。
無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。
結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
論文 参考訳（メタデータ） (2022-01-27T20:23:24Z) - DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous
Information Networks [64.62314068155997]
本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。
DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。
当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
論文 参考訳（メタデータ） (2022-01-08T04:08:36Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳（メタデータ） (2021-06-15T09:03:28Z) - Efficient power allocation using graph neural networks and deep
algorithm unfolding [40.78748956518785]
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。
論文 参考訳（メタデータ） (2020-11-18T05:28:24Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Wireless Power Control via Counterfactual Optimization of Graph Neural
Networks [124.89036526192268]
本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。
コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。
次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
論文 参考訳（メタデータ） (2020-02-17T07:54:39Z)
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。