論文の概要: DeepGANTT: A Scalable Deep Learning Scheduler for Backscatter Networks

• arxiv url: http://arxiv.org/abs/2112.12985v1
• Date: Fri, 24 Dec 2021 07:58:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 15:13:02.549500
• Title: DeepGANTT: A Scalable Deep Learning Scheduler for Backscatter Networks
• Title（参考訳）: deepgantt:バック散乱ネットワークのためのスケーラブルなディープラーニングスケジューラ
• Authors: Daniel F. Perez-Ramirez, Carlos Perez-Penichet, Nicolas Tsiftes, Thiemo Voigt, Dejan Kostic, Magnus Boman
• Abstract要約: 本稿では,無線通信機器と相互運用する電池フリーデバイスのためのディープラーニングスケジューラDeepGANTTを紹介する。 我々は,制約最適化解法から得られる比較的小さいサイズの最適スケジュールで,ディープラーニングスケジューラを訓練する。 DeepGANTTは、トレーニングに使用される最大値の4倍以上の問題を一般化する。
• 参考スコア（独自算出の注目度）: 8.790545110840588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent backscatter communication techniques enable ultra low power wireless devices that operate without batteries while interoperating directly with unmodified commodity wireless devices. Commodity devices cooperate in providing the unmodulated carrier that the battery-free nodes need to communicate while collecting energy from their environment to perform sensing, computation, and communication tasks. The optimal provision of the unmodulated carrier limits the size of the network because it is an NP-hard combinatorial optimization problem. Consequently, previous works either ignore carrier optimization altogether or resort to suboptimal heuristics, wasting valuable energy and spectral resources. We present DeepGANTT, a deep learning scheduler for battery-free devices interoperating with wireless commodity ones. DeepGANTT leverages graph neural networks to overcome variable input and output size challenges inherent to this problem. We train our deep learning scheduler with optimal schedules of relatively small size obtained from a constraint optimization solver. DeepGANTT not only outperforms a carefully crafted heuristic solution but also performs within ~3% of the optimal scheduler on trained problem sizes. Finally, DeepGANTT generalizes to problems more than four times larger than the maximum used for training, therefore breaking the scalability limitations of the optimal scheduler and paving the way for more efficient backscatter networks.
• Abstract（参考訳）: 最近のバックスキャッター通信技術は、無修正のコモディティ無線デバイスと直接通信しながらバッテリーなしで動作できる超低電力無線デバイスを可能にする。 コモディティデバイスは、電池のないノードが環境からエネルギーを集めながら通信し、センサ、計算、通信タスクを行うために必要な無修正キャリアを提供するのに協力する。 非変調キャリアの最適プロビジョニングは、NPハード組合せ最適化問題であるため、ネットワークのサイズを制限する。 その結果、以前の作品はキャリアの最適化を完全に無視するか、あるいは準最適ヒューリスティックに頼り、貴重なエネルギーとスペクトル資源を浪費した。 本稿では,無線通信機器と相互運用する電池フリーデバイスのためのディープラーニングスケジューラDeepGANTTを紹介する。 DeepGANTTはグラフニューラルネットワークを利用して、この問題に固有の可変入力と出力サイズを克服する。 我々は,制約最適化解法から得られる比較的小さいサイズの最適スケジュールで,ディープラーニングスケジューラを訓練する。 DeepGANTTは、慎重に設計されたヒューリスティックなソリューションよりも優れているだけでなく、トレーニングされた問題サイズで最適なスケジューラの約3%で性能を発揮する。 最後に、DeepGANTTはトレーニングで使用される最大値の4倍以上の問題を一般化し、最適なスケジューラのスケーラビリティの限界を破り、より効率的な後方散乱ネットワークを実現する。

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)
• Robust Generalization of Graph Neural Networks for Carrier Scheduling [4.311529300510196]
  本稿では,1000ノードまでのネットワークへの一般化(再学習なしで)を改善するGNNベースのスケジューラであるRobustGANTTを紹介する。 我々の研究は、大規模バックスキャッターネットワークにおける資源利用を改善するだけでなく、学習ベースのスケジューリングに関する貴重な洞察も提供する。
  論文  参考訳（メタデータ） (2024-07-11T13:13:24Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Adaptive ResNet Architecture for Distributed Inference in Resource-Constrained IoT Systems [7.26437825413781]
  本稿では,モデルの性能に大きな影響を及ぼすことなく,ResNetの接続を落とせることを示す実証的研究について述べる。 実験により、適応型ResNetアーキテクチャは、分散全体にわたって共有データ、エネルギー消費、遅延を低減できることを示した。
  論文  参考訳（メタデータ） (2023-07-21T11:07:21Z)
• 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)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G [53.23237216769839]
  本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。 完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。 無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
  論文  参考訳（メタデータ） (2020-03-29T04:48:22Z)
• 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。