論文の概要: Learning Autonomy in Management of Wireless Random Networks
- arxiv url: http://arxiv.org/abs/2106.07984v1
- Date: Tue, 15 Jun 2021 09:03:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-16 14:54:57.864889
- Title: Learning Autonomy in Management of Wireless Random Networks
- Title(参考訳): 無線ランダムネットワーク管理における自律性学習
- Authors: Hoon Lee, Sang Hyun Lee, Tony Q. S. Quek
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 102.02142856863563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a machine learning strategy that tackles a distributed
optimization task in a wireless network with an arbitrary number of randomly
interconnected nodes. Individual nodes decide their optimal states with
distributed coordination among other nodes through randomly varying backhaul
links. This poses a technical challenge in distributed universal optimization
policy robust to a random topology of the wireless network, which has not been
properly addressed by conventional deep neural networks (DNNs) with rigid
structural configurations. We develop a flexible DNN formalism termed
distributed message-passing neural network (DMPNN) with forward and backward
computations independent of the network topology. A key enabler of this
approach is an iterative message-sharing strategy through arbitrarily connected
backhaul links. The DMPNN provides a convergent solution for iterative
coordination by learning numerous random backhaul interactions. The DMPNN is
investigated for various configurations of the power control in wireless
networks, and intensive numerical results prove its universality and viability
over conventional optimization and DNN approaches.
- Abstract(参考訳): 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。
個々のノードはランダムに変化するバックホールリンクを通じて、他のノード間で分散協調して最適な状態を決定する。
このことは、無線ネットワークのランダムトポロジに頑健な分散ユニバーサル最適化ポリシーにおいて技術的な課題を生じさせる。
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の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DNN形式を開発した。
このアプローチの重要な実現要因は、任意に接続されたバックホールリンクを通じて、反復的なメッセージ共有戦略である。
DMPNNは、多数のランダムバックホール相互作用を学習することで反復的調整のための収束解を提供する。
DMPNNは、無線ネットワークにおける電力制御の様々な構成について検討し、従来の最適化やDNNアプローチと比較して、その普遍性と生存性を証明する。
関連論文リスト
- 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) - Flex-Net: A Graph Neural Network Approach to Resource Management in
Flexible Duplex Networks [11.89735327420275]
本研究では,静的時間スケジューリングを伴わないフレキシブルネットワークの総和率について検討する。
NPハードな無線リソース管理問題におけるグラフネットワーク(GNN)の最近の成功により、我々はFlex-Netという新しいGNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-01-20T12:49:21Z) - Spiking Generative Adversarial Networks With a Neural Network
Discriminator: Local Training, Bayesian Models, and Continual Meta-Learning [31.78005607111787]
スパイキングパターンを再現するためにニューラルネットワークを訓練することは、ニューロモルフィックコンピューティングにおける中心的な問題である。
この研究は、個々のスパイキング信号ではなく、スパイキング信号にマッチするようにSNNを訓練することを提案する。
論文 参考訳(メタデータ) (2021-11-02T17:20:54Z) - Fast Power Control Adaptation via Meta-Learning for Random Edge Graph
Neural Networks [39.59987601426039]
本稿では,時間変動トポロジに対する電力制御政策の迅速な適応を可能にする高レベル問題について検討する。
我々は,新しいネットワーク構成への数ショット適応を最適化するために,複数のトポロジのデータに一階のメタラーニングを適用した。
論文 参考訳(メタデータ) (2021-05-02T12:43:10Z) - LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。
フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文 参考訳(メタデータ) (2021-03-01T03:10:11Z) - Unsupervised Learning for Asynchronous Resource Allocation in Ad-hoc
Wireless Networks [122.42812336946756]
集約グラフニューラルネットワーク(Agg-GNN)に基づく教師なし学習手法を設計する。
アクティベーションパターンを各ノードの特徴としてモデル化し,ポリシーに基づくリソース割り当て手法を訓練することにより,非同期性を捉える。
論文 参考訳(メタデータ) (2020-11-05T03:38:36Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z) - 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) - 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。