論文の概要: Communication Topology Co-Design in Graph Recurrent Neural Network Based Distributed Control

• arxiv url: http://arxiv.org/abs/2104.13868v1
• Date: Wed, 28 Apr 2021 16:30:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 15:16:01.040127
• Title: Communication Topology Co-Design in Graph Recurrent Neural Network Based Distributed Control
• Title（参考訳）: グラフリカレントニューラルネットワークを用いた分散制御における通信トポロジ共設計
• Authors: Fengjun Yang and Nikolai Matni
• Abstract要約: 分散コントローラのコンパクトかつ表現力のあるグラフ繰り返しニューラルネットワーク(GRNN)パラメータ化について紹介する。 提案されたパラメータ化は,従来のGNN(Graph Neural Network)ベースのパラメータ化に類似した,ローカルおよび分散アーキテクチャである。 本研究では,性能/通信密度のトレードオフ曲線を効率よく近似できることを示す。
• 参考スコア（独自算出の注目度）: 4.492630871726495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When designing large-scale distributed controllers, the information-sharing constraints between sub-controllers, as defined by a communication topology interconnecting them, are as important as the controller itself. Controllers implemented using dense topologies typically outperform those implemented using sparse topologies, but it is also desirable to minimize the cost of controller deployment. Motivated by the above, we introduce a compact but expressive graph recurrent neural network (GRNN) parameterization of distributed controllers that is well suited for distributed controller and communication topology co-design. Our proposed parameterization enjoys a local and distributed architecture, similar to previous Graph Neural Network (GNN)-based parameterizations, while further naturally allowing for joint optimization of the distributed controller and communication topology needed to implement it. We show that the distributed controller/communication topology co-design task can be posed as an $\ell_1$-regularized empirical risk minimization problem that can be efficiently solved using stochastic gradient methods. We run extensive simulations to study the performance of GRNN-based distributed controllers and show that (a) they achieve performance comparable to GNN-based controllers while having fewer free parameters, and (b) our method allows for performance/communication density tradeoff curves to be efficiently approximated.
• Abstract（参考訳）: 大規模分散コントローラを設計する場合、通信トポロジによって定義されたサブコントローラ間の情報共有制約は、コントローラ自体と同じくらい重要である。 密集トポロジを用いて実装されたコントローラは、通常、スパーストポロジを用いて実装されたコントローラよりも優れているが、コントローラ配置のコストを最小限に抑えることも望ましい。 このようにして,分散コントローラと通信トポロジ共設計に適した分散コントローラのコンパクトかつ表現豊かなグラフリカレントニューラルネットワーク(GRNN)パラメータ化を導入する。 提案するパラメータ化は,従来のグラフニューラルネットワーク(GNN)ベースのパラメータ化と同様,局所的かつ分散的なアーキテクチャが好まれる一方で,分散コントローラと通信トポロジの協調最適化が自然に可能である。 分散制御/通信トポロジー共設計タスクを確率的勾配法を用いて効率的に解くことのできる$\ell_1$-regularized experimental risk minimization問題として提案する。 我々は、GRNNベースの分散コントローラの性能について広範なシミュレーションを行い、(a)自由パラメータを少なくしながらGNNベースのコントローラに匹敵する性能を実現し、(b)性能/通信密度トレードオフ曲線を効率的に近似できることを示す。

関連論文リスト

• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
  無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。 本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。 本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-15T06:28:21Z)
• Structured Deep Neural Network-Based Backstepping Trajectory Tracking Control for Lagrangian Systems [9.61674297336072]
  提案したコントローラは、任意の互換性のあるニューラルネットワークパラメータに対してクローズループ安定性を確保することができる。 モデル近似誤差や外乱の存在下では、閉ループ安定性と追従制御性能が保証されることが示されている。
  論文  参考訳（メタデータ） (2024-03-01T09:09:37Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• Data Sharing and Compression for Cooperative Networked Control [28.19172672710827]
  本稿では,モジュール型コントローラのタスク目標と協調設計した,簡潔で高圧縮な予測を学習するためのソリューションを提案する。 実セル,IoT(Internet-of-Things),電力負荷データを用いたシミュレーションでは,モデル予測コントローラの性能を少なくとも25%向上すると同時に,競合する手法よりも80%低いデータを送信できることが示されている。
  論文  参考訳（メタデータ） (2021-09-29T19:14:55Z)
• Decentralized Control with Graph Neural Networks [147.84766857793247]
  分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。 GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。 分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
  論文  参考訳（メタデータ） (2020-12-29T18:59:14Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。