論文の概要: Graph Neural Modeling of Network Flows

• arxiv url: http://arxiv.org/abs/2209.05208v3
• Date: Mon, 18 Mar 2024 09:28:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 02:00:54.351109
• Title: Graph Neural Modeling of Network Flows
• Title（参考訳）: ニューラルネットワークのグラフニューラルモデリング
• Authors: Victor-Alexandru Darvariu, Stephen Hailes, Mirco Musolesi,
• Abstract要約: Per-Edge Weights (PEW) と呼ばれるネットワークフロー問題に対する新しいグラフ学習アーキテクチャを提案する。 PEWはグラフアテンションネットワーク上に構築され、各リンクに沿って明確にパラメータ化されたメッセージ関数を使用する。 PEWはグローバルメッセージ関数を制約するルーティング方式よりもかなりの利得が得られることを示す。
• 参考スコア（独自算出の注目度）: 6.199818486385127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network flow problems, which involve distributing traffic such that the underlying infrastructure is used effectively, are ubiquitous in transportation and logistics. Among them, the general Multi-Commodity Network Flow (MCNF) problem concerns the distribution of multiple flows of different sizes between several sources and sinks, while achieving effective utilization of the links. Due to the appeal of data-driven optimization, these problems have increasingly been approached using graph learning methods. In this paper, we propose a novel graph learning architecture for network flow problems called Per-Edge Weights (PEW). This method builds on a Graph Attention Network and uses distinctly parametrized message functions along each link. We extensively evaluate the proposed solution through an Internet flow routing case study using $17$ Service Provider topologies and $2$ routing schemes. We show that PEW yields substantial gains over architectures whose global message function constrains the routing unnecessarily. We also find that an MLP is competitive with other standard architectures. Furthermore, we analyze the relationship between graph structure and predictive performance for data-driven routing of flows, an aspect that has not been considered by existing work in the area.
• Abstract（参考訳）: 基盤となるインフラが効果的に利用されるようにトラフィックを分散するネットワークフロー問題は、輸送や物流においてユビキタスである。 その中でも, 汎用マルチコモディティ・ネットワーク・フロー(MCNF)問題は, リンクの有効利用を実現しつつ, 複数のソースとシンク間の異なるサイズの複数のフローの分散を懸念している。 データ駆動最適化の魅力により、これらの問題はグラフ学習法によってますますアプローチされてきた。 本稿では,Per-Edge Weights (PEW) と呼ばれるネットワークフロー問題に対する新しいグラフ学習アーキテクチャを提案する。 この方法はグラフアテンションネットワーク上に構築され、各リンクに沿って明確にパラメトリケートされたメッセージ関数を使用する。 提案手法を,サービスプロバイダの17ドルのトポロジと2ドルのルーティングスキームを用いて,インターネットフロールーティングケーススタディを通じて広く評価した。 本稿では,グローバルメッセージ関数がルーティングを不必要に制約するアーキテクチャに対して,PEWが実質的な利得が得られることを示す。 MLPが他の標準アーキテクチャと競合していることもわかっています。 さらに,データ駆動型フロールーティングにおけるグラフ構造と予測性能の関係を解析する。

関連論文リスト

• Learning State-Augmented Policies for Information Routing in Communication Networks [92.59624401684083]
  我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。 教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。 実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-30T04:34:25Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• Edge Ranking of Graphs in Transportation Networks using a Graph Neural Network (GNN) [0.0]
  エッジ間の中央性 (EBC) は、接続性と情報拡散に基づいて、グラフの影響力のあるエッジを決定する尺度である。 深層学習に基づくアプローチであるグラフニューラルネットワーク(GNN)を用いて,EBCを近似的に推定する手法を提案する。 提案手法は,複数の合成グラフと実世界の輸送データセットを用いて,GNNに基づくエッジランキングの評価を行う。
  論文  参考訳（メタデータ） (2023-03-25T20:45:30Z)
• 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)
• Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
  本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。 モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
  論文  参考訳（メタデータ） (2022-02-21T19:45:15Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Packet Routing with Graph Attention Multi-agent Reinforcement Learning [4.78921052969006]
  我々は強化学習(RL)を利用したモデルフリーでデータ駆動型ルーティング戦略を開発する。 ネットワークトポロジのグラフ特性を考慮すると、グラフニューラルネットワーク(GNN)と組み合わせたマルチエージェントRLフレームワークを設計する。
  論文  参考訳（メタデータ） (2021-07-28T06:20:34Z)
• Optimal transport in multilayer networks [68.8204255655161]
  本稿では,各層上の最適フローが,コストの最小化に寄与するモデルを提案する。 アプリケーションとして,各層が異なる輸送システムに関連付けられている交通ネットワークを考察する。 この結果の例をボルドー市とバスと路面電車の2層ネットワークで示し、ある状況下では路面電車網の存在が道路網の交通を著しく覆い隠している。
  論文  参考訳（メタデータ） (2021-06-14T07:33:09Z)
• GDDR: GNN-based Data-Driven Routing [0.0]
  グラフニューラルネットワーク(GNN)を用いたアプローチは、多層パーセプトロンアーキテクチャを用いた以前の作業と同様に、少なくとも実行できることを示した。 GNNには、トレーニングされたエージェントを、余分な作業なしで異なるネットワークトポロジに一般化できるというメリットが加えられている。
  論文  参考訳（メタデータ） (2021-04-20T12:12:17Z)
• How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey [19.58023036416987]
  本稿では,多くのトラフィックアプリケーションにおけるグラフベースのディープラーニングアーキテクチャについて検討する。 まず、まず、グラフに基づいて交通問題を定式化し、様々なトラフィックデータセットからグラフを構築するためのガイドラインを提示する。 次に、これらのグラフベースのアーキテクチャを分解して、共有ディープラーニング技術について議論する。
  論文  参考訳（メタデータ） (2020-05-24T09:07:55Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。