論文の概要: Delay-aware Backpressure Routing Using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2211.10748v1
- Date: Sat, 19 Nov 2022 16:57:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:55:52.755927
- Title: Delay-aware Backpressure Routing 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遅延認識バックプレッシャルーティング
- Authors: Zhongyuan Zhao, Bojan Radojicic, Gunjan Verma, Ananthram Swami,
Santiago Segarra
- Abstract要約: 本稿では、グラフニューラルネットワークを用いてバイアスを学習するルーティングのためのスループット最適化バイアスバックプレッシャ(BP)アルゴリズムを提案する。
提案手法は,従来のBPおよび既存のBP代替品と比較して遅延性能を向上できることを示す。
- 参考スコア(独自算出の注目度): 38.10258899193209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a throughput-optimal biased backpressure (BP) algorithm for
routing, where the bias is learned through a graph neural network that seeks to
minimize end-to-end delay. Classical BP routing provides a simple yet powerful
distributed solution for resource allocation in wireless multi-hop networks but
has poor delay performance. A low-cost approach to improve this delay
performance is to favor shorter paths by incorporating pre-defined biases in
the BP computation, such as a bias based on the shortest path (hop) distance to
the destination. In this work, we improve upon the widely-used metric of hop
distance (and its variants) for the shortest path bias by introducing a bias
based on the link duty cycle, which we predict using a graph convolutional
neural network. Numerical results show that our approach can improve the delay
performance compared to classical BP and existing BP alternatives based on
pre-defined bias while being adaptive to interference density. In terms of
complexity, our distributed implementation only introduces a one-time overhead
(linear in the number of devices in the network) compared to classical BP, and
a constant overhead compared to the lowest-complexity existing bias-based BP
algorithms.
- Abstract(参考訳): 本稿では,エンド・ツー・エンドの遅延を最小化しようとするグラフニューラルネットワークによってバイアスを学習する,ルーティングのためのスループット最適化バイアスバックプレッシャ(bp)アルゴリズムを提案する。
古典的なBPルーティングは、無線マルチホップネットワークにおけるリソース割り当てにシンプルだが強力な分散ソリューションを提供するが、遅延性能は低い。
この遅延性能を改善するための低コストなアプローチは、目的地までの最短経路(ホップ)距離に基づくバイアスなど、BP計算に予め定義されたバイアスを組み込むことによって、より短い経路を選択することである。
本研究では,グラフ畳み込みニューラルネットワークを用いて予測するリンクデューティサイクルに基づくバイアスを導入することにより,最短経路バイアスに対するホップ距離(およびその変種)の広く使用されている測定値を改善する。
数値解析の結果,従来のBPと既存のBPの代替品と比較して,干渉密度に適応しながら,既定バイアスに基づいて遅延性能を向上できることが示唆された。
複雑性の面では、分散実装では、従来のBPと比較して1時間(ネットワーク上のデバイス数)のオーバーヘッドと、既存のバイアスベースのBPアルゴリズムと比較して一定のオーバーヘッドしか導入していません。
関連論文リスト
- Tensor-Compressed Back-Propagation-Free Training for (Physics-Informed)
Neural Networks [15.188785164091987]
後方伝播(BP)は、ニューラルネットワークトレーニングの勾配を計算するために広く使われている。
自動微分をサポートするハードウェアやソフトウェアリソースが不足しているため、エッジデバイス上でBPを実装するのは難しい。
本稿では,現実的なニューラルネットワークを学習するためには,前方伝播のみを必要とする,完全にBPフリーなフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-18T23:56:50Z) - Resource-Constrained Edge AI with Early Exit Prediction [5.060405696893342]
デバイスエッジコ推論システムにおいて,デバイス上での計算オーバーヘッドを低減するための早期出口予測機構を提案する。
具体的には,Exit Predictorと呼ばれる低複雑さモジュールを設計し,初期出口の計算をバイパスする「ハード」なサンプルを導出する。
通信帯域の変動を考慮すると、レイテンシを考慮したエッジ推論の早期終了予測機構を拡張する。
論文 参考訳(メタデータ) (2022-06-15T03:14:21Z) - Belief propagation for supply networks: Efficient clustering of their
factor graphs [0.0]
本稿では,供給ネットワークにおける状態推定と最適化の効率的なツールとして,信念伝達(BP)を考察する。
本稿では,因子グラフのループをクラスタリングする手法を提案する。
論文 参考訳(メタデータ) (2022-03-01T14:01:35Z) - Predictive Coding Can Do Exact Backpropagation on Convolutional and
Recurrent Neural Networks [40.51949948934705]
予測符号化ネットワーク(PCN)は、脳内の情報処理に影響を及ぼすモデルである。
BPは現代の機械学習において最も成功した学習方法と考えられている。
生物学的に妥当なアルゴリズムは複雑なアーキテクチャ上でBPの精度を正確に再現できることを示す。
論文 参考訳(メタデータ) (2021-03-05T14:57:01Z) - Recurrent Neural Networks for Stochastic Control Problems with Delay [0.76146285961466]
遅延機能を有する制御問題を解くために,ディープニューラルネットワークに基づくアルゴリズムを提案し,体系的に検討する。
具体的には,ポリシをパラメータ化し,目的関数を最適化するために,シーケンスモデリングにニューラルネットワークを用いる。
提案アルゴリズムは, 線形二乗問題, 有限遅延の最適消費, 完全メモリのポートフォリオ最適化の3つのベンチマーク例で検証した。
論文 参考訳(メタデータ) (2021-01-05T07:18:47Z) - Fast and Complete: Enabling Complete Neural Network Verification with
Rapid and Massively Parallel Incomplete Verifiers [112.23981192818721]
BaB プロセス中に線形計画法 (LP) を置き換えるために, 逆モード線形緩和に基づく解析法 (LiRPA) を提案する。
LPとは異なり、LiRPAを適用すると、より弱い境界が得られ、分割時にサブドメインのコンフリクトをチェックすることもできない。
既存のLPベースのアプローチと比較して、桁違いのスピードアップを示す。
論文 参考訳(メタデータ) (2020-11-27T16:42:12Z) - A Deep-Unfolded Reference-Based RPCA Network For Video
Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。
既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。
移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文 参考訳(メタデータ) (2020-10-02T11:40:09Z) - Belief Propagation Neural Networks [103.97004780313105]
信念伝播ニューラルネットワーク(BPNN)を紹介する。
BPNNは因子グラフ上で動作し、信念伝播(BP)を一般化する
BPNNはIsingモデル上で1.7倍高速に収束し、より厳密な境界を提供することを示す。
挑戦的なモデルカウント問題に関して、BPNNは最先端の手作り手法の100倍の速さを推定する。
論文 参考訳(メタデータ) (2020-07-01T07:39:51Z) - Scaling Equilibrium Propagation to Deep ConvNets by Drastically Reducing
its Gradient Estimator Bias [65.13042449121411]
実際には、EPによって提供される勾配推定によるネットワークのトレーニングは、MNISTよりも難しい視覚タスクにスケールしない。
有限ヌード法に固有のEPの勾配推定のバイアスがこの現象の原因であることを示す。
これらの手法を適用し、非対称な前方および後方接続を持つアーキテクチャをトレーニングし、13.2%のテストエラーを発生させる。
論文 参考訳(メタデータ) (2020-06-06T09:36:07Z) - On the Convergence Rate of Projected Gradient Descent for a
Back-Projection based Objective [58.33065918353532]
我々は、最小二乗(LS)の代替として、バックプロジェクションに基づく忠実度項を考える。
LS項ではなくBP項を用いることで最適化アルゴリズムの繰り返しを少なくすることを示す。
論文 参考訳(メタデータ) (2020-05-03T00:58:23Z)
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。