論文の概要: Cross-network transferable neural models for WLAN interference estimation

• arxiv url: http://arxiv.org/abs/2211.14026v1
• Date: Fri, 25 Nov 2022 11:01:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 17:57:25.864430
• Title: Cross-network transferable neural models for WLAN interference estimation
• Title（参考訳）: WLAN干渉推定のためのクロスネットワーク転送可能なニューラルモデル
• Authors: Danilo Marinho Fernandes, Jonatan Krolikowski, Zied Ben Houidi, Fuxing Chen, Dario Rossi
• Abstract要約: 本稿では,ロバストネスにおける干渉推定の原理的アプローチを採用する。 まず、実データを使って影響する要因を識別し、関連する一連の合成ワークロードを導出します。 当然のことながら、Graph Conalvolution Networks(GCNs)が全体的なパフォーマンスで最高のものになっている。
• 参考スコア（独自算出の注目度）: 8.519313977400735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Airtime interference is a key performance indicator for WLANs, measuring, for a given time period, the percentage of time during which a node is forced to wait for other transmissions before to transmitting or receiving. Being able to accurately estimate interference resulting from a given state change (e.g., channel, bandwidth, power) would allow a better control of WLAN resources, assessing the impact of a given configuration before actually implementing it. In this paper, we adopt a principled approach to interference estimation in WLANs. We first use real data to characterize the factors that impact it, and derive a set of relevant synthetic workloads for a controlled comparison of various deep learning architectures in terms of accuracy, generalization and robustness to outlier data. We find, unsurprisingly, that Graph Convolutional Networks (GCNs) yield the best performance overall, leveraging the graph structure inherent to campus WLANs. We notice that, unlike e.g. LSTMs, they struggle to learn the behavior of specific nodes, unless given the node indexes in addition. We finally verify GCN model generalization capabilities, by applying trained models on operational deployments unseen at training time.
• Abstract（参考訳）: 時空干渉は、ある期間において、ノードが送信または受信する前に他の送信を待たなければならない時間の割合を測定することで、wlanにとって重要な性能指標である。 与えられた状態変化(例えば、チャネル、帯域幅、電力)による干渉を正確に推定できれば、WLANリソースをよりよく制御でき、実際に実装する前に設定の影響を評価することができる。 本稿では,WLANにおける干渉推定の原理的アプローチを採用する。 まず、その影響要因を特徴付けるために実データを使用し、データの精度、一般化、堅牢性の観点から、さまざまなディープラーニングアーキテクチャの制御された比較のための一連の関連する合成ワークロードを導出します。 当然ながら、グラフ畳み込みネットワーク(gcns)は総合的に最高のパフォーマンスをもたらし、キャンパスランに固有のグラフ構造を活用している。 LSTMなどとは異なり、ノードインデックスを付加しなければ、特定のノードの振る舞いを学ぶのに苦労していることに気付きます。 トレーニング時に見当たらない運用デプロイメントにトレーニングモデルを適用することで、最終的にgcnモデルの一般化機能を検証します。

関連論文リスト

• MetaDetect: Metamorphic Testing Based Anomaly Detection for Multi-UAV Wireless Networks [0.5076419064097734]
  無線アドホックネットワーク(WANET)通信の信頼性は有線ネットワークよりもはるかに低い。 提案手法は,WANET上のインシデント/アクシデントイベントを自動的に識別する上で有用である。
  論文  参考訳（メタデータ） (2023-12-07T23:24:58Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning [4.085916808788356]
  本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。 実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-12T14:18:09Z)
• Low Complexity Adaptive Machine Learning Approaches for End-to-End Latency Prediction [0.0]
  この研究は、予測、監視、予測のための効率的で低コストな適応アルゴリズムの設計である。 我々は,GNNにおける近年の国際的課題の後に提供されたパブリックジェネレータから得られるデータに対して,我々のアプローチと結果を説明するために,エンドツーエンドの遅延予測に焦点を当てた。
  論文  参考訳（メタデータ） (2023-01-31T10:29:11Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
  我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。 無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。 結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-01-27T20:23:24Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。