論文の概要: Graph-based Deep Learning for Communication Networks: A Survey

• arxiv url: http://arxiv.org/abs/2106.02533v1
• Date: Fri, 4 Jun 2021 14:59:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 14:49:54.737123
• Title: Graph-based Deep Learning for Communication Networks: A Survey
• Title（参考訳）: コミュニケーションネットワークのためのグラフベースのディープラーニング:調査
• Authors: Weiwei Jiang
• Abstract要約: 本稿では,通信ネットワークにおけるグラフベースのディープラーニング手法の適用に焦点を当てた最初の調査である。 フォローアップ調査を追跡するために、パブリックGitHubリポジトリが作成され、関連する論文が継続的に更新される。
• 参考スコア（独自算出の注目度）: 1.1977931648859175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Communication networks are important infrastructures in contemporary society. There are still many challenges that are not fully solved and new solutions are proposed continuously in this active research area. In recent years, to model the network topology, graph-based deep learning has achieved state-of-the-art performance in a series of problems in communication networks. In this survey, we review the rapidly growing body of research using different graph-based deep learning models, e.g. graph convolutional and graph attention networks, in various problems from different communication networks, e.g. wireless networks, wired networks, and software-defined networks. We also present a well-organized list of the problem and solution for each study and identify future research directions. To the best of our knowledge, this paper is the first survey that focuses on the application of graph-based deep learning methods in communication networks. To track the follow-up research, a public GitHub repository is created, where the relevant papers will be updated continuously.
• Abstract（参考訳）: コミュニケーションネットワークは現代社会の重要な基盤である。 未解決の課題がまだ数多く残っており、この活発な研究領域で新しい解決策が継続的に提案されている。 近年,ネットワークトポロジをモデル化するために,グラフに基づくディープラーニングは,通信ネットワークにおける一連の問題において最先端の性能を達成した。 本稿では,グラフに基づくディープラーニングモデルを用いて,急速に成長する研究の体系を概観する。 グラフ畳み込みとグラフアテンションネットワークは、様々な通信ネットワークの様々な問題において、例えば、 無線ネットワーク、有線ネットワーク、ソフトウェア定義ネットワーク。 また,各研究の課題と解決策を整理し,今後の研究方向性を明らかにする。 我々の知る限り、この論文は、グラフベースのディープラーニング手法を通信ネットワークに適用することに焦点を当てた最初の調査である。 フォローアップ調査を追跡するために、公開githubリポジトリが作成され、関連する論文が継続的に更新される。

関連論文リスト

• Gossiped and Quantized Online Multi-Kernel Learning [39.057968279167966]
  ネットワーク内の各ノードが通信できる限り、分散およびオンラインマルチカーネル学習がサブ線形後悔をもたらすことを示す。 このレターは、これらの結果を非完全連結グラフに拡張するが、これは無線センサーネットワークでよく見られる。 本稿では,ゴシップアルゴリズムを提案し,それがサブ線形後悔を達成できることを示す。
  論文  参考訳（メタデータ） (2023-01-24T07:12:40Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Graph Neural Networks for Communication Networks: Context, Use Cases and Opportunities [4.4568884144849985]
  グラフニューラルネットワーク(GNN)は、データが基本的にグラフとして表現される多くの分野において、優れた応用を示している。 GNNは、実際のネットワークの背後にある複雑な振る舞いを正確に学習し、再現できる新しい世代のデータ駆動モデルである。 本稿では、GNNとその通信ネットワークへの応用に関する簡単なチュートリアルを紹介する。
  論文  参考訳（メタデータ） (2021-12-29T19:09:42Z)
• Network representation learning: A macro and micro view [9.221196170951702]
  本稿では,ネットワーク表現学習に関する最近の文献を包括的にレビューする。 既存のアルゴリズムは、浅い埋め込みモデル、異種ネットワーク埋め込みモデル、グラフニューラルネットワークベースモデルという3つのグループに分類される。 この調査の利点の1つは、アルゴリズムの異なるカテゴリの基礎となる理論的基礎を体系的に研究することである。
  論文  参考訳（メタデータ） (2021-11-21T08:58:51Z)
• Network representation learning systematic review: ancestors and current development state [1.0312968200748116]
  本稿では,ネットワーク埋め込みとして知られるネットワーク表現学習を誕生から現在までの体系的に調査する。 また,ネットワーク表現学習の理解に必要な基本概念の形式的定義も提供する。 最も一般的に使用される下流タスクは、埋め込みの評価、評価メトリクス、一般的なデータセットである。
  論文  参考訳（メタデータ） (2021-09-14T14:44:44Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• The Confluence of Networks, Games and Learning [26.435697087036218]
  新興ネットワークアプリケーションは、分散ネットワークインテリジェンスを作成するためのゲーム理論モデルと学習に基づくアプローチを要求する。 本稿では,ネットワーク,ゲーム,学習の相違を具体化し,ネットワーク上でのマルチエージェント意思決定を理解するための理論的基盤を確立する。
  論文  参考訳（メタデータ） (2021-05-17T20:54:07Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)

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。