論文の概要: Decentralized Inference with Graph Neural Networks in Wireless Communication Systems

• arxiv url: http://arxiv.org/abs/2104.09027v1
• Date: Mon, 19 Apr 2021 03:12:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 04:56:10.074459
• Title: Decentralized Inference with Graph Neural Networks in Wireless Communication Systems
• Title（参考訳）: 無線通信システムにおけるグラフニューラルネットワークを用いた分散推論
• Authors: Mengyuan Lee, Guanding Yu, and Huaiyu Dai
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフデータのための効率的なニューラルネットワークモデルであり、無線通信を含むさまざまな分野で広く利用されている。 本稿では,異なる無線通信システムにおける分散GNNのロバスト性を解析し,強化する。
• 参考スコア（独自算出の注目度）: 37.95584442614985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural network (GNN) is an efficient neural network model for graph data and is widely used in different fields, including wireless communications. Different from other neural network models, GNN can be implemented in a decentralized manner with information exchanges among neighbors, making it a potentially powerful tool for decentralized control in wireless communication systems. The main bottleneck, however, is wireless channel impairments that deteriorate the prediction robustness of GNN. To overcome this obstacle, we analyze and enhance the robustness of the decentralized GNN in different wireless communication systems in this paper. Specifically, using a GNN binary classifier as an example, we first develop a methodology to verify whether the predictions are robust. Then, we analyze the performance of the decentralized GNN binary classifier in both uncoded and coded wireless communication systems. To remedy imperfect wireless transmission and enhance the prediction robustness, we further propose novel retransmission mechanisms for the above two communication systems, respectively. Through simulations on the synthetic graph data, we validate our analysis, verify the effectiveness of the proposed retransmission mechanisms, and provide some insights for practical implementation.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフデータのための効率的なニューラルネットワークモデルであり、無線通信を含むさまざまな分野で広く利用されている。 他のニューラルネットワークモデルとは異なり、GNNは隣人の情報交換と分散的に実装できるため、無線通信システムにおける分散制御のための潜在的に強力なツールである。 しかし、主なボトルネックは、GNNの予測ロバスト性を低下させる無線チャネル障害である。 この障害を克服するために、本稿では、異なる無線通信システムにおける分散GNNのロバスト性を分析し、強化する。 具体的には、GNNバイナリ分類器を例として、予測が堅牢かどうかを検証する方法論を最初に開発する。 そして,非符号化および符号化された無線通信システムにおいて,分散化GNNバイナリ分類器の性能を解析する。 無線伝送の不完全性を解消し、予測ロバスト性を高めるため、上記2つの通信システムの新しい再送機構をそれぞれ提案する。 合成グラフデータのシミュレーションにより,本解析の有効性を確認し,提案する再送機構の有効性を検証し,実際に実施するための知見を提供する。

関連論文リスト

• Applying Self-supervised Learning to Network Intrusion Detection for Network Flows with Graph Neural Network [8.318363497010969]
  本稿では,教師なし型ネットワークフローの特定のためのGNNの適用について検討する。 我々の知る限り、NIDSにおけるネットワークフローのマルチクラス分類のための最初のGNNベースの自己教師方式である。
  論文  参考訳（メタデータ） (2024-03-03T12:34:13Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• Graph Neural Networks over the Air for Decentralized Tasks in Wireless Networks [6.007238205454907]
  本稿では,大気上のグラフニューラルネットワークの性能に及ぼすチャネル障害の影響について検討する(AirGNN)。 AirGNNは、ランダムな通信グラフ上でグラフ信号をシフトするグラフ畳み込み操作を変更し、チャネルのフェージングとノイズを考慮している。 分散型ソースローカライゼーションとマルチロボット・フロッキングの実験は、無線通信チャネル上でのAirGNNの性能に優れていた。
  論文  参考訳（メタデータ） (2023-02-16T17:40:23Z)
• Privacy-Preserving Decentralized Inference with Graph Neural Networks in Wireless Networks [39.99126905067949]
  無線ネットワークにおけるグラフニューラルネットワークによる分散推論のプライバシの解析と強化を行う。 具体的には、ローカルな差分プライバシーを指標として採用し、新しいプライバシー保護シグナルを設計する。 また、このオーバー・ザ・エア技術を採用し、プライバシー保護の利点を理論的に実証する。
  論文  参考訳（メタデータ） (2022-08-15T01:33:07Z)
• Neuromorphic Wireless Cognition: Event-Driven Semantic Communications for Remote Inference [32.0035037154674]
  本稿ではニューロモルフィックな無線インターネット・オブ・Thingsシステムのためのエンドツーエンドの設計を提案する。 各センサ装置は、ニューロモルフィックセンサと、スパイキングニューラルネットワーク(SNN)と、複数のアンテナを備えたインパルス無線送信機を備える。 パイロット、SNNの符号化、SNNの復号化、ハイパーネットワークは、複数のチャネル実現を通じて共同で訓練される。
  論文  参考訳（メタデータ） (2022-06-13T11:13:39Z)
• 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)
• 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)
• Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
  ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。 本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
  論文  参考訳（メタデータ） (2020-03-13T15:34:33Z)

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。