論文の概要: Network Topology Optimization via Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2204.14133v1
- Date: Tue, 19 Apr 2022 07:45:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 00:12:26.327656
- Title: Network Topology Optimization via Deep Reinforcement Learning
- Title（参考訳）: 深層強化学習によるネットワークトポロジー最適化
- Authors: Zhuoran Li, Xing Wang, Ling Pan, Lin Zhu, Zhendong Wang, Junlan Feng,
Chao Deng, Longbo Huang
- Abstract要約: 本稿では,ネットワークトポロジ最適化のために,アドバンテージアクタ批判グラフ探索 (A2C-GS) と呼ばれる新しい強化学習アルゴリズムを提案する。
A2C-GSは、生成されたネットワークトポロジの正しさを検証する検証器、トポロジを効率的に近似するグラフニューラルネットワーク(GNN)、トポロジ探索を行うDRLアクター層を含む3つの新しいコンポーネントから構成される。
実ネットワークシナリオに基づくケーススタディを行い,A2C-GSの効率と性能の両面において優れた性能を示した。
- 参考スコア（独自算出の注目度）: 37.31672024989399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Topology impacts important network performance metrics, including link
utilization, throughput and latency, and is of central importance to network
operators. However, due to the combinatorial nature of network topology, it is
extremely difficult to obtain an optimal solution, especially since topology
planning in networks also often comes with management-specific constraints. As
a result, local optimization with hand-tuned heuristic methods from human
experts are often adopted in practice. Yet, heuristic methods cannot cover the
global topology design space while taking into account constraints, and cannot
guarantee to find good solutions.
In this paper, we propose a novel deep reinforcement learning (DRL)
algorithm, called Advantage Actor Critic-Graph Searching (A2C-GS), for network
topology optimization. A2C-GS consists of three novel components, including a
verifier to validate the correctness of a generated network topology, a graph
neural network (GNN) to efficiently approximate topology rating, and a DRL
actor layer to conduct a topology search. A2C-GS can efficiently search over
large topology space and output topology with satisfying performance. We
conduct a case study based on a real network scenario, and our experimental
results demonstrate the superior performance of A2C-GS in terms of both
efficiency and performance.
- Abstract（参考訳）: トポロジーは、リンク利用、スループット、レイテンシなど、重要なネットワークパフォーマンス指標に影響を与える。
しかし、ネットワークトポロジの組合せの性質から、特にネットワークにおけるトポロジ計画には管理固有の制約が伴うため、最適解を得るのは非常に困難である。
その結果、人間の専門家による手作業によるヒューリスティックな手法による局所的な最適化が実践的に採用されることが多い。
しかし、ヒューリスティックな手法は制約を考慮してグローバルなトポロジ設計空間をカバーできず、優れた解を見つけることは保証できない。
本稿では,ネットワークトポロジ最適化のための新しい深層強化学習アルゴリズムである advantage actor critic-graph search (a2c-gs) を提案する。
A2C-GSは、生成されたネットワークトポロジの正しさを検証する検証器、トポロジを効率的に近似するグラフニューラルネットワーク(GNN)、トポロジ探索を行うDRLアクター層を含む3つの新しいコンポーネントから構成される。
a2c-gsは、性能を満足して、大きなトポロジ空間と出力トポロジーを効率的に探索することができる。
本研究は,実ネットワークシナリオに基づくケーススタディを実施し,a2c-gsの効率と性能の両方において優れた性能を示す。
関連論文リスト
- OTOv3: Automatic Architecture-Agnostic Neural Network Training and
Compression from Structured Pruning to Erasing Operators [57.145175475579315]
このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。
第3世代のOTOv3(Noth-Train-Once)を導入する。
我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
論文 参考訳（メタデータ） (2023-12-15T00:22:55Z) - Unsupervised Graph Attention Autoencoder for Attributed Networks using
K-means Loss [0.0]
我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。
提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
論文 参考訳（メタデータ） (2023-11-21T20:45:55Z) - Designing the Topology of Graph Neural Networks: A Novel Feature Fusion
Perspective [12.363386808994079]
我々は,F$2$GNNと呼ばれる新しい機能融合の観点から,GNNのトポロジを設計することを学ぶ。
本研究では,選択操作と融合操作を含む統合フレームワーク上でのニューラルネットワーク探索手法を提案する。
8つの実世界のデータセットのパフォーマンス向上は、F$2$GNNの有効性を示している。
論文 参考訳（メタデータ） (2021-12-29T13:06:12Z) - TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。
TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。
2つのデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-10-27T17:10:58Z) - CONetV2: Efficient Auto-Channel Size Optimization for CNNs [35.951376988552695]
本研究は,チャネルサイズのマイクロサーチ空間を調べることにより,計算制約のある環境において効率的な手法を提案する。
チャネルサイズ最適化に際し、ネットワークの異なる接続層内の依存関係を抽出する自動アルゴリズムを設計する。
また、テスト精度と高い相関性を持ち、個々のネットワーク層を解析できる新しいメトリクスも導入する。
論文 参考訳（メタデータ） (2021-10-13T16:17:19Z) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳（メタデータ） (2021-08-20T12:09:38Z) - Probeable DARTS with Application to Computational Pathology [44.20005949950844]
我々は、その効率のために微分可能なアーキテクチャサーチ(DARTS)を使用している。
次に、最適なネットワークアーキテクチャを探索することで、CPathアプリケーションに検索フレームワークを適用します。
その結果,検索したネットワークは,予測精度と複雑性の観点から,最先端ネットワークよりも優れていた。
論文 参考訳（メタデータ） (2021-08-16T02:16:06Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Discretization-Aware Architecture Search [81.35557425784026]
本稿では,離散化対応アーキテクチャサーチ(DAtextsuperscript2S)を提案する。
中心となる考え方は、超ネットワークを所望のトポロジの構成に向けることであり、離散化による精度損失がほとんど軽減される。
標準画像分類ベンチマークの実験は、我々のアプローチの優位性を実証している。
論文 参考訳（メタデータ） (2020-07-07T01:18:58Z) - TopologyGAN: Topology Optimization Using Generative Adversarial Networks
Based on Physical Fields Over the Initial Domain [2.0263791972068628]
そこで我々はTopologyGANと呼ばれる新しいデータ駆動トポロジ最適化モデルを提案する。
位相GANは、条件付き生成逆数ネットワーク(cGAN)のジェネレータへの入力として、元の未最適化物質領域で計算された様々な物理場を利用する
ベースラインのcGANと比較すると、TopologyGANは平均二乗誤差を約3ドル、平均絶対誤差を2.5ドル削減する。
論文 参考訳（メタデータ） (2020-03-05T14:40:11Z)
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。