論文の概要: Representation Learning of Knowledge Graph for Wireless Communication Networks

• arxiv url: http://arxiv.org/abs/2208.10496v1
• Date: Mon, 22 Aug 2022 07:36:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 12:50:13.600238
• Title: Representation Learning of Knowledge Graph for Wireless Communication Networks
• Title（参考訳）: 無線通信ネットワークのための知識グラフの表現学習
• Authors: Shiwen He, Yeyu Ou, Liangpeng Wang, Hang Zhan, Peng Ren, Yongming Huang
• Abstract要約: 本稿では,無線通信プロトコルに基づいて知識グラフを構築することにより,無線データの内在的関係を理解することを目的とする。 グラフ畳み込みニューラルネットワークに基づく新しいモデルは、グラフノードを分類し、関係予測をシミュレートするために使用されるグラフの表現を学ぶように設計されている。
• 参考スコア（独自算出の注目度）: 21.123289598816847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the application of the fifth-generation wireless communication technologies, more smart terminals are being used and generating huge amounts of data, which has prompted extensive research on how to handle and utilize these wireless data. Researchers currently focus on the research on the upper-layer application data or studying the intelligent transmission methods concerning a specific problem based on a large amount of data generated by the Monte Carlo simulations. This article aims to understand the endogenous relationship of wireless data by constructing a knowledge graph according to the wireless communication protocols, and domain expert knowledge and further investigating the wireless endogenous intelligence. We firstly construct a knowledge graph of the endogenous factors of wireless core network data collected via a 5G/B5G testing network. Then, a novel model based on graph convolutional neural networks is designed to learn the representation of the graph, which is used to classify graph nodes and simulate the relation prediction. The proposed model realizes the automatic nodes classification and network anomaly cause tracing. It is also applied to the public datasets in an unsupervised manner. Finally, the results show that the classification accuracy of the proposed model is better than the existing unsupervised graph neural network models, such as VGAE and ARVGE.
• Abstract（参考訳）: 第5世代の無線通信技術の適用により、よりスマートな端末が使用され、大量のデータを生成するようになり、これらの無線データの扱い方や利用方法に関する広範な研究が進められている。 研究者は現在、モンテカルロシミュレーションによって生成される大量のデータに基づいて、上層アプリケーションデータの研究や、特定の問題に関するインテリジェントな送信方法の研究に重点を置いている。 本稿では,無線通信プロトコルとドメインエキスパート知識に基づいて知識グラフを構築することにより,無線データの内在的関係を理解することを目的とする。 まず,5G/B5Gテストネットワークを介して収集した無線コアネットワークデータの内在要因の知識グラフを構築する。 次に、グラフ畳み込みニューラルネットワークに基づく新しいモデルは、グラフの表現を学習するために設計され、グラフノードを分類し、関係予測をシミュレートするために使用される。 提案モデルは,ノードの自動分類とネットワーク異常原因追跡を実現する。 また、教師なしの方法で公開データセットにも適用される。 最後に,提案モデルの分類精度は,VGAE や ARVGE などの既存の教師なしグラフニューラルネットワークモデルよりも優れていることを示す。

関連論文リスト

• A Review of Graph-Powered Data Quality Applications for IoT Monitoring Sensor Networks [0.8192907805418583]
  監視センサネットワークにおけるデータ品質制御のためのグラフベースモデルに着目する。 デジタル双生児のためのグラフベースモデルやモデル転送可能性、一般化など、今後のトレンドと課題を特定する。
  論文  参考訳（メタデータ） (2024-10-28T13:30:22Z)
• Self-Supervised Graph Neural Networks for Enhanced Feature Extraction in Heterogeneous Information Networks [16.12856816023414]
  本稿では,インターネットの急速な発展に伴う複雑なグラフデータ処理におけるグラフニューラルネットワーク(GNN)の適用と課題について考察する。 自己監督機構を導入することにより、グラフデータの多様性と複雑さに対する既存モデルの適合性を向上させることが期待されている。
  論文  参考訳（メタデータ） (2024-10-23T07:14:37Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
  本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。 グラフ畳み込みニューラルネットワークの基礎を詳述する。 注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
  論文  参考訳（メタデータ） (2023-07-03T09:08:01Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• BS-GAT Behavior Similarity Based Graph Attention Network for Network Intrusion Detection [20.287285893803244]
  本稿では,グラフアテンションネットワークを用いた行動類似性(BS-GAT)に基づくグラフニューラルネットワークアルゴリズムを提案する。 その結果,提案手法は有効であり,既存のソリューションと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2023-04-07T09:42:07Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• A Review of Graph Neural Networks and Their Applications in Power Systems [0.6990493129893112]
  ディープニューラルネットワークは、電力システムにおける多くの機械学習タスクに革命をもたらした。 これらのタスクのデータは典型的にはユークリッド領域で表される。 グラフ構造化データの複雑さは、既存のディープニューラルネットワークに課題をもたらした。
  論文  参考訳（メタデータ） (2021-01-25T11:50:45Z)

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。