論文の概要: Learning Cooperative Beamforming with Edge-Update Empowered Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2212.08020v1
• Date: Wed, 23 Nov 2022 02:05:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 18:57:40.282145
• Title: Learning Cooperative Beamforming with Edge-Update Empowered Graph Neural Networks
• Title（参考訳）: エッジ更新型グラフニューラルネットワークによる協調ビームフォーミングの学習
• Authors: Yunqi Wang, Yang Li, Qingjiang Shi, Yik-Chung Wu
• Abstract要約: グラフエッジ上での協調ビームフォーミングを学習するためのエッジグラフニューラルネットワーク(Edge-GNN)を提案する。 提案したEdge-GNNは、最先端の手法よりも計算時間をはるかに短くして、より高い和率を達成する。
• 参考スコア（独自算出の注目度）: 29.23937571816269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cooperative beamforming design has been recognized as an effective approach in modern wireless networks to meet the dramatically increasing demand of various wireless data traffics. It is formulated as an optimization problem in conventional approaches and solved iteratively in an instance-by-instance manner. Recently, learning-based methods have emerged with real-time implementation by approximating the mapping function from the problem instances to the corresponding solutions. Among various neural network architectures, graph neural networks (GNNs) can effectively utilize the graph topology in wireless networks to achieve better generalization ability on unseen problem sizes. However, the current GNNs are only equipped with the node-update mechanism, which restricts it from modeling more complicated problems such as the cooperative beamforming design, where the beamformers are on the graph edges of wireless networks. To fill this gap, we propose an edge-graph-neural-network (Edge-GNN) by incorporating an edge-update mechanism into the GNN, which learns the cooperative beamforming on the graph edges. Simulation results show that the proposed Edge-GNN achieves higher sum rate with much shorter computation time than state-of-the-art approaches, and generalizes well to different numbers of base stations and user equipments.
• Abstract（参考訳）: 協調ビームフォーミング設計は、様々な無線データトラフィックの劇的に増大する需要を満たすため、現代の無線ネットワークにおいて効果的なアプローチであると認識されている。 従来の手法では最適化問題として定式化され、インスタンスバイインテンスで反復的に解く。 近年,問題インスタンスから対応するソリューションへのマッピング関数の近似により,リアルタイムな実装によって学習ベースの手法が出現している。 様々なニューラルネットワークアーキテクチャのうち、グラフニューラルネットワーク(gnns)は、無線ネットワークのグラフトポロジーを効果的に活用し、未認識の問題サイズの一般化能力を高めることができる。 しかし、現在のGNNはノード更新機構のみを備えており、無線ネットワークのグラフエッジ上にビームフォーマが配置されている協調ビームフォーミング設計のような複雑な問題をモデル化することを制限している。 このギャップを埋めるために,グラフエッジ上での協調ビームフォーミングを学習するエッジ更新機構をgnnに組み込むことにより,エッジグラフニューラルネットワーク(edge-gnn)を提案する。 シミュレーションの結果,edge-gnnは最先端の手法に比べて計算時間を大幅に短縮した高い和率を達成でき,異なる数の基地局やユーザ機器によく一般化できることがわかった。

関連論文リスト

• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting [8.832864937330722]
  長距離交通予測は、交通ネットワークで観測される複雑な時間的相関のため、依然として困難な課題である。 本稿では,GRAM-ODE(Graph-based Multi-ODE Neural Networks)と呼ばれるアーキテクチャを提案する。 実世界の6つのデータセットを用いて行った大規模な実験は、最先端のベースラインと比較して、GRAM-ODEの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-30T02:10:42Z)
• GNN at the Edge: Cost-Efficient Graph Neural Network Processing over Distributed Edge Servers [24.109721494781592]
  グラフニューラルネットワーク(GNN)はまだ探索中であり、その広範な採用に対する大きな違いを示している。 本稿では,多層ヘテロジニアスエッジネットワーク上での分散GNN処理のコスト最適化について検討する。 提案手法は, 高速収束速度で95.8%以上のコスト削減を行い, デファクトベースラインよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-31T13:03:16Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Graph Neural Network Based Node Deployment for Throughput Enhancement [20.56966053013759]
  本稿では,ネットワークノード配置問題に対する新しいグラフニューラルネットワーク(GNN)手法を提案する。 提案手法の理論的サポートとして,表現型GNNが関数値とトラフィック置換の両方を近似する能力を持つことを示す。
  論文  参考訳（メタデータ） (2022-08-19T08:06:28Z)
• Graph Neural Networks for Wireless Communications: From Theory to Practice [10.61745503150249]
  グラフニューラルネットワーク(GNN)は、無線通信問題におけるグラフトポロジ(グラフトポロジ)というドメイン知識を効果的に活用することができる。 理論的保証のために、GNNは従来のニューラルネットワークに比べてトレーニングサンプルがはるかに少ない無線ネットワークにおいて、ほぼ最適性能を達成できることを示す。 設計ガイドラインでは,無線ネットワークにおける一般的な設計問題に適用可能な統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-21T08:39:44Z)
• Fast Power Control Adaptation via Meta-Learning for Random Edge Graph Neural Networks [39.59987601426039]
  本稿では,時間変動トポロジに対する電力制御政策の迅速な適応を可能にする高レベル問題について検討する。 我々は,新しいネットワーク構成への数ショット適応を最適化するために,複数のトポロジのデータに一階のメタラーニングを適用した。
  論文  参考訳（メタデータ） (2021-05-02T12:43:10Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。