論文の概要: Graph Neural Networks for Power Allocation in Wireless Networks with Full Duplex Nodes

• arxiv url: http://arxiv.org/abs/2303.16113v2
• Date: Mon, 8 Jan 2024 03:07:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 00:12:45.157699
• Title: Graph Neural Networks for Power Allocation in Wireless Networks with Full Duplex Nodes
• Title（参考訳）: 完全二重ノードを持つ無線ネットワークにおける電力割当のためのグラフニューラルネットワーク
• Authors: Lili Chen, Jingge Zhu, Jamie Evans
• Abstract要約: ユーザ間の相互干渉のため、無線ネットワークにおける電力割り当て問題はしばしば自明ではない。 グラフグラフニューラルネットワーク(GNN)は、これらの問題に対処するための有望なアプローチとして最近登場し、無線ネットワークの基盤となるトポロジを活用するアプローチである。
• 参考スコア（独自算出の注目度）: 10.150768420975155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to mutual interference between users, power allocation problems in wireless networks are often non-convex and computationally challenging. Graph neural networks (GNNs) have recently emerged as a promising approach to tackling these problems and an approach that exploits the underlying topology of wireless networks. In this paper, we propose a novel graph representation method for wireless networks that include full-duplex (FD) nodes. We then design a corresponding FD Graph Neural Network (F-GNN) with the aim of allocating transmit powers to maximise the network throughput. Our results show that our F-GNN achieves state-of-art performance with significantly less computation time. Besides, F-GNN offers an excellent trade-off between performance and complexity compared to classical approaches. We further refine this trade-off by introducing a distance-based threshold for inclusion or exclusion of edges in the network. We show that an appropriately chosen threshold reduces required training time by roughly 20% with a relatively minor loss in performance.
• Abstract（参考訳）: ユーザ間の相互干渉のため、無線ネットワークにおける電力割当問題は、しばしば非凸かつ計算上困難である。 グラフニューラルネットワーク(GNN)は、これらの問題を解決するための有望なアプローチとして最近登場し、無線ネットワークの基盤となるトポロジを利用するアプローチである。 本稿では,完全二重化(fd)ノードを含む無線ネットワークのための新しいグラフ表現手法を提案する。 次に、送信電力を割り当ててネットワークスループットを最大化するために、対応するFDグラフニューラルネットワーク(F-GNN)を設計する。 その結果,f-gnnは計算時間を大幅に削減して最先端の性能を達成できた。 さらに、F-GNNは古典的なアプローチに比べてパフォーマンスと複雑さのトレードオフが優れている。 ネットワーク内のエッジを包含または排除するための距離ベースしきい値を導入することで、このトレードオフをさらに改善する。 適度に選択された閾値は、比較的少ない性能で、必要なトレーニング時間を約20%短縮することを示す。

関連論文リスト

• Deploying Graph Neural Networks in Wireless Networks: A Link Stability Viewpoint [13.686715722390149]
  グラフニューラルネットワーク(GNN)は、幅広いグラフアプリケーションで有望なパフォーマンスを示している。 無線システムでは、ノード間の通信は通常、無線のフェードと受信機のノイズによりGNNが劣化する。
  論文  参考訳（メタデータ） (2024-05-09T14:37:08Z)
• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• 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)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Accelerating Graph Neural Networks via Edge Pruning for Power Allocation in Wireless Networks [9.031738020845586]
  グラフニューラルネットワーク(GNN)は、無線ネットワークにおける電力割り当て問題に対処するための有望なアプローチとして登場した。 我々は,GNNの時間的複雑さを低減するために,近隣のしきい値を用いたアプローチを導入する。 以上の結果から,提案したN-GNNは,高い性能と一般化能力を維持しつつ,時間的複雑性を低減できるという利点があることがわかった。
  論文  参考訳（メタデータ） (2023-05-22T02:22:14Z)
• Graph Neural Networks-Based User Pairing in Wireless Communication Systems [0.34410212782758043]
  ユーザペアリング問題を効率的に解くために,教師なしグラフニューラルネットワーク(GNN)アプローチを提案する。 提案手法は20dBのSNRにおいて,k平均よりも49%,SUSより95%高い総和率を達成する。
  論文  参考訳（メタデータ） (2023-05-14T11:57:42Z)
• Flex-Net: A Graph Neural Network Approach to Resource Management in Flexible Duplex Networks [11.89735327420275]
  本研究では,静的時間スケジューリングを伴わないフレキシブルネットワークの総和率について検討する。 NPハードな無線リソース管理問題におけるグラフネットワーク(GNN)の最近の成功により、我々はFlex-Netという新しいGNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-01-20T12:49:21Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Scalable Power Control/Beamforming in Heterogeneous Wireless Networks with Graph Neural Networks [6.631773993784724]
  そこで本研究では,HIGNN(heterogeneous Interference Graphural Network)という,教師なし学習に基づく新しいフレームワークを提案する。 HIGNNは、小型ネットワークで訓練された後、堅牢なパフォーマンスで拡大するサイズのワイヤレスネットワークにスケーラブルです。
  論文  参考訳（メタデータ） (2021-04-12T13:36:32Z)
• 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)
• 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。