論文の概要: Link Scheduling using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2109.05536v1
• Date: Sun, 12 Sep 2021 15:19:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:14:02.497543
• Title: Link Scheduling using 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リンクスケジューリング
• Authors: Zhongyuan Zhao, Gunjan Verma, Chirag Rao, Ananthram Swami, Santiago Segarra
• Abstract要約: 送信の効率的なスケジューリングは、無線ネットワークにおける鍵となる問題である。 本稿では,集中的かつ分散的に実装可能な高速なトポロジカル畳み込みネットワーク(GCN)を提案する。 中規模の無線ネットワーク上でのテスト結果から,GCNベースの集中型MWISソルバがほぼ最適解に迅速に到達できることが分かる。
• 参考スコア（独自算出の注目度）: 28.835515501826546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient scheduling of transmissions is a key problem in wireless networks. The main challenge stems from the fact that optimal link scheduling involves solving a maximum weighted independent set (MWIS) problem, which is known to be NP-hard. For practical link scheduling schemes, centralized and distributed greedy heuristics are commonly used to approximate the solution to the MWIS problem. However, these greedy schemes mostly ignore important topological information of the wireless network. To overcome this limitation, we propose fast heuristics based on graph convolutional networks (GCNs) that can be implemented in centralized and distributed manners. Our centralized MWIS solver is based on tree search guided by a trainable GCN module and 1-step rollout. In our distributed MWIS solver, a trainable GCN module learns topology-aware node embeddings that are combined with the network weights before calling a distributed greedy solver. Test results on medium-sized wireless networks show that a GCN-based centralized MWIS solver can reach a near-optimal solution quickly. Moreover, we demonstrate that a shallow GCN-based distributed MWIS scheduler can reduce by nearly half the suboptimality gap of the distributed greedy solver with minimal increase in complexity. The proposed scheduling solutions also exhibit good generalizability across graph and weight distributions.
• Abstract（参考訳）: 伝送の効率的なスケジューリングは、無線ネットワークの重要な問題である。 主な課題は、最適リンクスケジューリングがnpハードであることが知られている最大重み付き独立集合(mwis)問題を解決することである。 実用的なリンクスケジューリングスキームでは、MWIS問題の解を近似するために、集中的および分散的なグリーディヒューリスティックがよく用いられる。 しかし、これらの欲望のスキームは、主に無線ネットワークの重要なトポロジー情報を無視している。 この制限を克服するために,グラフ畳み込みネットワーク(GCN)に基づく高速ヒューリスティックスを提案する。 我々の集中型MWISソルバは、トレーニング可能なGCNモジュールと1ステップのロールアウトによってガイドされたツリーサーチに基づいている。 分散MWISソルバにおいて、トレーニング可能なGCNモジュールは、分散グリーディソルバを呼び出す前に、ネットワーク重みと組み合わせたトポロジ対応ノード埋め込みを学習する。 中規模の無線ネットワーク上でのテスト結果から,GCNベースの集中型MWISソルバがほぼ最適解に迅速に到達できることが分かる。 さらに,GCNをベースとした分散MWISスケジューラは,分散グリージーソルバの最適値以下で,複雑さが最小限に抑えられることを示した。 提案手法は,グラフおよび重み分布の一般化性も良好である。

関連論文リスト

• Decentralized Optimization in Time-Varying Networks with Arbitrary Delays [22.40154714677385]
  通信遅延によるネットワークの分散最適化問題を考察する。 そのようなネットワークの例としては、協調機械学習、センサーネットワーク、マルチエージェントシステムなどがある。 通信遅延を模倣するため、ネットワークに仮想非計算ノードを追加し、有向グラフを生成する。
  論文  参考訳（メタデータ） (2024-05-29T20:51:38Z)
• 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)
• State-Augmented Learnable Algorithms for Resource Management in Wireless Networks [124.89036526192268]
  本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。 提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
  論文  参考訳（メタデータ） (2022-07-05T18:02:54Z)
• Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks [37.84368235950714]
  グラフ畳み込みネットワーク(GCN)を用いたリンクスペーシフィケーションのための分散スキームを提案する。 中規模の無線ネットワークにおいて,提案するスパーススケジューラは,フレディなスケジューラによって達成される総容量の70%近くを保持し,しきい値に基づくスケジューラポリシーを破る。
  論文  参考訳（メタデータ） (2022-03-27T16:02:12Z)
• 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)
• 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)
• 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)
• Distributed Scheduling using Graph Neural Networks [38.74504118887024]
  無線ネットワークの設計における根本的な問題は、送信を分散的に効率的にスケジュールすることである。 グラフ畳み込みネットワーク(GCN)に基づく分散MWISソルバを提案する。 簡単に言えば、トレーニング可能なGCNモジュールは、greedyソルバを呼び出す前に、ネットワーク重みと結合されたトポロジ対応ノードの埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-11-18T18:00:45Z)
• Graph Neural Networks for Scalable Radio Resource Management: Architecture Design and Theoretical Analysis [31.372548374969387]
  本稿では,大規模無線資源管理問題にグラフニューラルネットワーク(GNN)を適用することを提案する。 提案手法はスケーラビリティが高く,1つのGPU上で1,000ドルのトランシーバペアを6ミリ秒以内で行う干渉チャネルにおけるビームフォーミング問題を解くことができる。
  論文  参考訳（メタデータ） (2020-07-15T11:43:32Z)
• 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。