論文の概要: AirGNN: Graph Neural Network over the Air
- arxiv url: http://arxiv.org/abs/2302.08447v1
- Date: Thu, 16 Feb 2023 17:40:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 13:12:50.078832
- Title: AirGNN: Graph Neural Network over the Air
- Title(参考訳): airgnn:空気上のグラフニューラルネットワーク
- Authors: Zhan Gao and Deniz Gunduz
- Abstract要約: グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータから表現をモデル化し、局所的な通信を通じて分散実装を可能にする情報処理アーキテクチャである。
本稿では,通信モデルをアーキテクチャに組み込んだ新しいGNNアーキテクチャである空気上のグラフニューラルネットワーク(AirGNN)を提案する。
- 参考スコア(独自算出の注目度): 6.243995448840213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) are information processing architectures that
model representations from networked data and allow for decentralized
implementation through localized communications. Existing GNN architectures
often assume ideal communication links, and ignore channel effects, such as
fading and noise, leading to performance degradation in real-world
implementation. This paper proposes graph neural networks over the air
(AirGNNs), a novel GNN architecture that incorporates the communication model
into the architecture. The AirGNN modifies the graph convolutional operation
that shifts graph signals over random communication graphs to take into account
channel fading and noise when aggregating features from neighbors, thus,
improving the architecture robustness to channel impairments during testing. We
propose a stochastic gradient descent based method to train the AirGNN, and
show that the training procedure converges to a stationary solution. Numerical
simulations on decentralized source localization and multi-robot flocking
corroborate theoretical findings and show superior performance of the AirGNN
over wireless communication channels.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータから表現をモデル化し、局所的な通信を通じて分散実装を可能にする情報処理アーキテクチャである。
既存のGNNアーキテクチャは理想的な通信リンクを前提としており、フェージングやノイズなどのチャネル効果を無視し、実際の実装の性能低下につながる。
本稿では,通信モデルをアーキテクチャに組み込んだ新しいGNNアーキテクチャである空気上のグラフニューラルネットワーク(AirGNN)を提案する。
airgnnは、ランダムな通信グラフ上でグラフ信号をシフトするグラフ畳み込み操作を修飾し、隣人から特徴を集約する際にチャネルフェージングやノイズを考慮し、テスト中のチャネル障害に対するアーキテクチャロバスト性を改善する。
本研究では,AirGNNをトレーニングするための確率勾配降下法を提案し,トレーニング手順が定常解に収束することを示す。
分散ソースローカライゼーションとマルチロボット・フロッキングの数値シミュレーションは理論的な知見を裏付け、無線通信チャネルよりもAirGNNの優れた性能を示す。
関連論文リスト
- BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。
我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。
BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2023-10-26T17:03:14Z) - Feature Transportation Improves Graph Neural Networks [15.919986945096182]
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な成功を収めている。
本稿では,ADR-GNNと呼ばれるAdvection-Diffusion-Reactionシステムにインスパイアされた新しいGNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-07-29T23:31:18Z) - Re-Think and Re-Design Graph Neural Networks in Spaces of Continuous
Graph Diffusion Functionals [7.6435511285856865]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生体システムのようなドメインで広く使われている。
GNNのローカリティ仮定は、グラフ内の長距離依存関係とグローバルパターンをキャプチャする能力を損なう。
本稿では,ブラヒクロニスト問題から着想を得た変分解析に基づく新しい帰納バイアスを提案する。
論文 参考訳(メタデータ) (2023-07-01T04:44:43Z) - ABC: Aggregation before Communication, a Communication Reduction
Framework for Distributed Graph Neural Network Training and Effective
Partition [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造データに適したニューラルモデルであり、グラフ構造データの学習表現において優れた性能を示している。
本稿では,分散GNN訓練における通信複雑性について検討する。
グラフ変換プロセスの未知によりエッジ配置を制御できない動的グラフの場合,新しいパーティションパラダイムは特に理想的であることを示す。
論文 参考訳(メタデータ) (2022-12-11T04:54:01Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳(メタデータ) (2021-10-15T07:18:57Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳(メタデータ) (2021-09-08T18:10:08Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2020-10-06T01:20:27Z) - 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) - Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。
これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
論文 参考訳(メタデータ) (2020-08-04T18:57:36Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳(メタデータ) (2020-03-08T13:02:15Z)
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。