論文の概要: Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2203.14339v1
• Date: Sun, 27 Mar 2022 16:02:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 17:22:41.389479
• Title: Distributed Link Sparsification for Scalable 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スケーラブルスケジューリングのための分散リンクスパーシフィケーション
• Authors: Zhongyuan Zhao, Ananthram Swami, Santiago Segarra
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.84368235950714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed scheduling algorithms for throughput or utility maximization in dense wireless multi-hop networks can have overwhelmingly high overhead, causing increased congestion, energy consumption, radio footprint, and security vulnerability. For wireless networks with dense connectivity, we propose a distributed scheme for link sparsification with graph convolutional networks (GCNs), which can reduce the scheduling overhead while keeping most of the network capacity. In a nutshell, a trainable GCN module generates node embeddings as topology-aware and reusable parameters for a local decision mechanism, based on which a link can withdraw itself from the scheduling contention if it is not likely to win. In medium-sized wireless networks, our proposed sparse scheduler beats classical threshold-based sparsification policies by retaining almost $70\%$ of the total capacity achieved by a distributed greedy max-weight scheduler with $0.4\%$ of the point-to-point message complexity and $2.6\%$ of the average number of interfering neighbors per link.
• Abstract（参考訳）: 密集した無線マルチホップネットワークにおけるスループットやユーティリティの最大化のための分散スケジューリングアルゴリズムは、オーバーヘッドが圧倒的に高くなり、混雑、エネルギー消費、無線フットプリント、セキュリティ脆弱性が増大する。 本稿では,ネットワーク容量の大部分を維持しつつスケジューリングオーバーヘッドを低減できるグラフ畳み込みネットワーク (gcns) とのリンクスパース化のための分散方式を提案する。 簡単に言えば、トレーニング可能なgcnモジュールは、リンクが勝てない場合、スケジュール競合から自分自身を引き出すことができるローカル決定機構のトポロジー認識および再利用可能なパラメータとしてノード埋め込みを生成する。 中規模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、ポイント・ツー・ポイントのメッセージ複雑性の0.4\%、リンク当たりの干渉する隣人の平均数の2.6\%$の分散型最大重み型スケジューラによって達成された総容量の約70\%を保ち、従来のしきい値に基づくスパース化ポリシーに匹敵する。

関連論文リスト

• Congestion-aware Distributed Task Offloading in Wireless Multi-hop Networks Using Graph Neural Networks [33.79834562046449]
  既存のオフロード方式は主にモバイルデバイスとサーバに焦点を当て、複数のモバイルデバイスからのタスクによるネットワークの混雑を無視する。 本稿では,グラフベース機械学習を用いて分散グリードフレームワークを増強し,分散タスクオフロード方式を提案する。 提案手法は,コンテキストに依存しないベースライン下での混雑や不安定な待ち行列の低減に有効であるとともに,ローカルコンピューティングによる実行遅延の改善にも有効である。
  論文  参考訳（メタデータ） (2023-12-05T03:46:30Z)
• On the Bipartite Entanglement Capacity of Quantum Networks [9.377912974064227]
  我々は,非決定論的エンタングルメントスワップ機能を持つデバイスからなる量子ネットワークにおいて,一対のノードに対するマルチパスエンタングルメント分布を考察する。 このフロー問題を解決するために,混合整数2次制約付きプログラム(MIQCP)を提案する。 次に、時間単位当たりのユーザに分散されたEPR状態の最大数として定義される、ネットワーク全体の容量を計算する。
  論文  参考訳（メタデータ） (2023-07-10T10:58:02Z)
• 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)
• Link Scheduling using Graph Neural Networks [28.835515501826546]
  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。
  論文  参考訳（メタデータ） (2021-09-12T15:19:59Z)
• Optimized Quantum Networks [68.8204255655161]
  量子ネットワークは、ネットワーク要求の前に様々な種類の絡み合いを生成することができる。 これを応用して、所望の機能に合わせた絡み合いベースの量子ネットワークを設計する。
  論文  参考訳（メタデータ） (2021-07-21T18:00:07Z)
• 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)
• 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)
• 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)
• 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。