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

• arxiv url: http://arxiv.org/abs/2112.12985v2
• Date: Wed, 5 Apr 2023 12:45:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 16:45:43.213223
• 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 P\'erez-Penichet, Nicolas Tsiftes, Thiemo Voigt, Dejan Kostic, Magnus Boman
• Abstract要約: DeepGANTTは、グラフニューラルネットワークを活用して、ほぼ最適なキャリアスケジューリングを効率的に提供するスケジューラである。 DeepGANTTは,ノード数で6倍,タグ数で10倍のネットワークに一般化されている。
• 参考スコア（独自算出の注目度）: 6.412612364488614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Novel backscatter communication techniques enable battery-free sensor tags to interoperate with unmodified standard IoT devices, extending a sensor network's capabilities in a scalable manner. Without requiring additional dedicated infrastructure, the battery-free tags harvest energy from the environment, while the IoT devices provide them with the unmodulated carrier they need to communicate. A schedule coordinates the provision of carriers for the communications of battery-free devices with IoT nodes. Optimal carrier scheduling is an NP-hard problem that limits the scalability of network deployments. Thus, existing solutions waste energy and other valuable resources by scheduling the carriers suboptimally. We present DeepGANTT, a deep learning scheduler that leverages graph neural networks to efficiently provide near-optimal carrier scheduling. We train our scheduler with relatively small optimal schedules obtained from a constraint optimization solver, achieving a performance within 3% of the optimal scheduler. Without the need to retrain, DeepGANTT generalizes to networks 6x larger in the number of nodes and 10x larger in the number of tags than those used for training, breaking the scalability limitations of the optimal scheduler and reducing carrier utilization by up to 50% compared to the state-of-the-art heuristic. Our scheduler efficiently reduces energy and spectrum utilization in backscatter networks.
• Abstract（参考訳）: 新たなバックスキャッター通信技術により、バッテリフリーなセンサタグが、未修正の標準iotデバイスと相互運用可能となり、センサネットワークの機能をスケーラブルに拡張する。 追加のインフラストラクチャを必要とせずに、バッテリフリータグは環境からエネルギーを消費し、iotデバイスは通信に必要な無修正キャリアを提供する。 スケジュールは、IoTノードとバッテリフリーデバイスの通信のためのキャリアの提供を調整する。 最適キャリアスケジューリングは、ネットワーク展開のスケーラビリティを制限するNPハード問題である。 したがって、既存のソリューションはキャリアを最適にスケジューリングすることで、エネルギーやその他の貴重な資源を無駄にする。 本稿では,グラフニューラルネットワークを利用したディープラーニングスケジューラDeepGANTTを提案する。 我々は,制約最適化解法から得られる比較的小さな最適スケジュールでスケジューラを訓練し,最適スケジューラの3%以内のパフォーマンスを達成する。 再トレーニング不要で、deepganttは、トレーニングに使用するノード数で6倍、タグ数で10倍のネットワークに一般化し、最適なスケジューラのスケーラビリティの制限を破り、最先端のヒューリスティックと比較してキャリア利用を最大50%削減する。 我々のスケジューラは,バックスキャッタネットワークのエネルギー利用とスペクトル利用を効率的に削減する。

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。