論文の概要: Neighbor Auto-Grouping Graph Neural Networks for Handover Parameter Configuration in Cellular Network

• arxiv url: http://arxiv.org/abs/2301.03412v1
• Date: Thu, 29 Dec 2022 18:51:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-15 23:06:40.037663
• Title: Neighbor Auto-Grouping Graph Neural Networks for Handover Parameter Configuration in Cellular Network
• Title（参考訳）: セルネットワークにおけるハンドオーバパラメータ設定のための隣接自己グループグラフニューラルネットワーク
• Authors: Mehrtash Mehrabi, Walid Masoudimansour, Yingxue Zhang, Jie Chuai, Zhitang Chen, Mark Coates, Jianye Hao and Yanhui Geng
• Abstract要約: ハンドオーバパラメータ設定のための学習ベースのフレームワークを提案する。 まず、ネットワークが異なるネットワーク状態とパラメータ値にどのように反応するかを模倣する新しいアプローチを提案する。 パラメータ設定の段階では、グローバルな最適化問題を解決する代わりに、局所的な多目的最適化戦略を設計する。
• 参考スコア（独自算出の注目度）: 47.29123145759976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The mobile communication enabled by cellular networks is the one of the main foundations of our modern society. Optimizing the performance of cellular networks and providing massive connectivity with improved coverage and user experience has a considerable social and economic impact on our daily life. This performance relies heavily on the configuration of the network parameters. However, with the massive increase in both the size and complexity of cellular networks, network management, especially parameter configuration, is becoming complicated. The current practice, which relies largely on experts' prior knowledge, is not adequate and will require lots of domain experts and high maintenance costs. In this work, we propose a learning-based framework for handover parameter configuration. The key challenge, in this case, is to tackle the complicated dependencies between neighboring cells and jointly optimize the whole network. Our framework addresses this challenge in two ways. First, we introduce a novel approach to imitate how the network responds to different network states and parameter values, called auto-grouping graph convolutional network (AG-GCN). During the parameter configuration stage, instead of solving the global optimization problem, we design a local multi-objective optimization strategy where each cell considers several local performance metrics to balance its own performance and its neighbors. We evaluate our proposed algorithm via a simulator constructed using real network data. We demonstrate that the handover parameters our model can find, achieve better average network throughput compared to those recommended by experts as well as alternative baselines, which can bring better network quality and stability. It has the potential to massively reduce costs arising from human expert intervention and maintenance.
• Abstract（参考訳）: セルラーネットワークによって実現される移動通信は、現代社会の主要な基盤の1つである。 セルラーネットワークの性能を最適化し、カバー範囲とユーザエクスペリエンスを改善した大規模な接続を提供することは、私たちの日常生活に大きな社会的・経済的影響を与える。 この性能はネットワークパラメータの設定に大きく依存する。 しかし,セルラーネットワークの規模と複雑さの増大に伴い,ネットワーク管理,特にパラメータ構成が複雑化している。 現在のプラクティスは、主に専門家の事前知識に依存しているが、不十分であり、多くのドメインエキスパートと高いメンテナンスコストを必要とする。 本研究では,ハンドオーバパラメータ設定のための学習ベースのフレームワークを提案する。 この場合の重要な課題は、隣接するセル間の複雑な依存関係に取り組み、ネットワーク全体を共同で最適化することだ。 私たちのフレームワークは、この課題を2つの方法で解決します。 まず、ネットワークが異なるネットワーク状態とパラメータ値にどのように反応するかを模倣する新しいアプローチを、自動グループグラフ畳み込みネットワーク(AG-GCN)と呼ぶ。 パラメータ設定段階では、グローバル最適化問題を解決する代わりに、各セルが自身のパフォーマンスと隣り合わせのバランスをとるために、複数のローカルパフォーマンスメトリクスを考慮するローカルマルチ目的最適化戦略を設計する。 実ネットワークデータを用いて構築したシミュレータを用いて提案アルゴリズムの評価を行った。 我々のモデルが発見できるハンドオーバパラメータは、専門家が推奨するものよりも平均的なネットワークスループットを向上し、ネットワーク品質と安定性を向上できる代替のベースラインであることを示す。 それは、人間の専門家の介入とメンテナンスから生じるコストを大幅に削減する可能性がある。

関連論文リスト

• Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
  高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。 本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。 ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
  論文  参考訳（メタデータ） (2024-02-27T11:52:49Z)
• Neural Quantile Optimization for Edge-Cloud Networking [13.509945075582447]
  我々は,バースト可能な請求書に基づいて制約を満足し,コストを最小化するエッジ・クラウド・コンピューティング・ネットワークにおいて,最適なトラフィック割当方式を模索する。 本稿では,教師なし学習による最適化問題を解決するため,Gumbel-softmaxサンプリングネットワークを提案する。 トレーニングされたネットワークは、効率的なトラフィック割当スキームサンプリングとして機能し、実現可能性およびコスト関数値のランダム戦略を著しく上回る。
  論文  参考訳（メタデータ） (2023-07-11T11:05:10Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
  本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。 私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
  論文  参考訳（メタデータ） (2021-11-11T11:31:20Z)
• Coordinated Reinforcement Learning for Optimizing Mobile Networks [6.924083445159127]
  数百の協調エージェントを含む複雑なアプリケーションにおいて、協調グラフと強化学習の使い方を示す。 協調強化学習が他の手法より優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2021-09-30T14:46:18Z)
• Planning Spatial Networks [4.499055111059408]
  目標指向グラフ構築の問題に対処する。 開始グラフ、大域的目的関数、修正予算が与えられた場合、グラフに追加することで目的を最大に改善するエッジの集合を見つけることが目的である。 この問題は、交通や重要なインフラネットワークといった社会にとって非常に重要なネットワークに出現する。
  論文  参考訳（メタデータ） (2021-06-12T13:01:11Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。