Fugu-MT 論文翻訳(概要): Graph Neural Networks over the Air for Decentralized Tasks in Wireless Networks

論文の概要: Graph Neural Networks over the Air for Decentralized Tasks in Wireless Networks

arxiv url: http://arxiv.org/abs/2302.08447v3
Date: Tue, 21 May 2024 14:35:50 GMT
ステータス: 処理完了
システム内更新日: 2024-05-22 19:40:07.634100
Title: Graph Neural Networks over the Air for Decentralized Tasks in Wireless Networks
Title（参考訳）: 無線ネットワークにおける分散タスクのための空気上のグラフニューラルネットワーク
Authors: Zhan Gao, Deniz Gunduz,
Abstract要約: 本稿では,大気上のグラフニューラルネットワークの性能に及ぼすチャネル障害の影響について検討する(AirGNN)。 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変更し、チャネルのフェージングとノイズを考慮している。分散型ソースローカライゼーションとマルチロボット・フロッキングの実験は、無線通信チャネル上でのAirGNNの性能に優れていた。
参考スコア（独自算出の注目度）: 6.007238205454907
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks (GNNs) model representations from networked data and allow for decentralized inference through localized communications. Existing GNN architectures often assume ideal communications and ignore potential channel effects, such as fading and noise, leading to performance degradation in real-world implementation. Considering a GNN implemented over nodes connected through wireless links, this paper conducts a stability analysis to study the impact of channel impairments on the performance of GNNs, and proposes graph neural networks over the air (AirGNNs), a novel GNN architecture that incorporates the communication model. AirGNNs modify graph convolutional operations that shift graph signals over random communication graphs to take into account channel fading and noise when aggregating features from neighbors, thus, improving architecture robustness to channel impairments during testing. We develop a channel-inversion signal transmission strategy for AirGNNs when channel state information (CSI) is available, and propose a stochastic gradient descent based method to train AirGNNs when CSI is unknown. The convergence analysis shows that the training procedure approaches a stationary solution of an associated stochastic optimization problem and the variance analysis characterizes the statistical behavior of the trained model. Experiments on decentralized source localization and multi-robot flocking corroborate theoretical findings and show superior performance of AirGNNs 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、ローカライズされた通信を通じて分散推論を可能にする。既存のGNNアーキテクチャは理想的な通信を前提としており、フェージングやノイズなどのチャネル効果を無視することが多く、実際の実装の性能低下につながる。無線リンクを介して接続されたノード上に実装されたGNNを考慮し、チャネル障害がGNNの性能に与える影響を安定解析し、通信モデルを組み込んだ新しい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、グラフ信号をランダムな通信グラフにシフトするグラフ畳み込み操作を変更して、隣国からの特徴を集約する際のチャネルのフェージングとノイズを考慮して、テスト中のチャネル障害に対するアーキテクチャの堅牢性を改善する。チャネル状態情報(CSI)が利用可能である場合,AirGNNのチャネル反転信号伝送戦略を開発し,CSIが不明な場合に,確率勾配降下に基づくAirGNNの訓練手法を提案する。収束解析は、学習手順が関連する確率最適化問題の定常解に近づき、分散解析が訓練されたモデルの統計的挙動を特徴付けることを示す。分散型ソースローカライゼーションとマルチロボット・フロッキングの実験は、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)
Learning Stable Graph Neural Networks via Spectral Regularization [18.32587282139282]
グラフニューラルネットワーク(GNN)の安定性は、GNNがグラフ摂動にどう反応するかを特徴付け、ノイズの多いシナリオでアーキテクチャのパフォーマンスを保証する。本稿では,グラフスペクトル領域におけるフィルタ周波数応答を正規化することにより,アーキテクチャの安定性を向上させる自己正規化グラフニューラルネットワーク(SR-GNN)を開発した。
論文参考訳（メタデータ） (2022-11-13T17:27:21Z)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
Decentralized Inference with Graph Neural Networks in Wireless Communication Systems [37.95584442614985]
グラフニューラルネットワーク(GNN)は、グラフデータのための効率的なニューラルネットワークモデルであり、無線通信を含むさまざまな分野で広く利用されている。本稿では,異なる無線通信システムにおける分散GNNのロバスト性を解析し,強化する。
論文参考訳（メタデータ） (2021-04-19T03:12:24Z)
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)
Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文参考訳（メタデータ） (2020-06-11T08:19:06Z)
Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文参考訳（メタデータ） (2020-06-07T07:06:35Z)
Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文参考訳（メタデータ） (2020-06-04T08:00:00Z)
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。