論文の概要: Accelerating Graph Neural Networks via Edge Pruning for Power Allocation
in Wireless Networks
- arxiv url: http://arxiv.org/abs/2305.12639v1
- Date: Mon, 22 May 2023 02:22:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 18:54:44.924494
- Title: Accelerating Graph Neural Networks via Edge Pruning for Power Allocation
in Wireless Networks
- Title(参考訳): 無線ネットワークにおけるパワーアロケーションのためのエッジプルーニングによるグラフニューラルネットワークの高速化
- Authors: Lili Chen, Jingge Zhu, Jamie Evans
- Abstract要約: 本稿では,ニューラルネットワーク(GNN)に近接するしきい値アプローチを導入し,時間的複雑性を低減する。
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ことを目的とした距離ベースおよび近傍ベースグラフニューラルネットワークを設計する。
以上の結果から,提案したGNNは,高い性能を維持しつつ,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。
- 参考スコア(独自算出の注目度): 6.913985764584884
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural Networks (GNNs) have recently emerged as a promising approach to
tackling power allocation problems in wireless networks. Since unpaired
transmitters and receivers are often spatially distant, the distanced-based
threshold is proposed to reduce the computation time by excluding or including
the channel state information in GNNs. In this paper, we are the first to
introduce a neighbour-based threshold approach to GNNs to reduce the time
complexity. Furthermore, we conduct a comprehensive analysis of both
distance-based and neighbour-based thresholds and provide recommendations for
selecting the appropriate value in different communication channel scenarios.
We design the corresponding distance-based and neighbour-based Graph Neural
Networks with the aim of allocating transmit powers to maximise the network
throughput. Our results show that our proposed GNNs offer significant
advantages in terms of reducing time complexity while preserving strong
performance. Besides, we show that by choosing a suitable threshold, the time
complexity is reduced from O(|V|^2) to O(|V|), where |V| is the total number of
transceiver pairs.
- Abstract(参考訳): ニューラルネットワーク(gnns)は、ワイヤレスネットワークにおける電力割り当て問題に取り組むための有望なアプローチとして最近登場した。
未ペア送信機と受信機は空間的に離れた場合が多いため、GNNのチャネル状態情報を取り除いたり含めたりすることで計算時間を短縮するために距離ベースしきい値を提案する。
本稿では,GNNの時間的複雑性を抑えるために,近隣のしきい値を用いた手法を初めて導入する。
さらに、距離ベースと近傍ベースの両方のしきい値の包括的解析を行い、異なる通信チャネルシナリオにおける適切な値の選択を推奨する。
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ことを目的とした距離ベースおよび近傍ベースグラフニューラルネットワークを設計する。
以上の結果から,提案したGNNは,高い性能を維持しつつ,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。
さらに、適切なしきい値を選択することで、時間複雑性が O(|V|^2) から O(|V|) に還元され、|V| はトランシーバー対の総数であることを示す。
関連論文リスト
- Graph Neural Network-Based Bandwidth Allocation for Secure Wireless
Communications [46.342827102556896]
本稿では,最小機密率制約を満たすユーザをスケジュールするユーザスケジューリングアルゴリズムを提案する。
我々は、反復探索(IvS)、GNNベースの教師付き学習(GNN-SL)、GNNベースの教師なし学習(GNN-USL)の3つのアルゴリズムを用いて帯域幅割り当てを最適化する。
論文 参考訳(メタデータ) (2023-12-13T09:34:16Z) - Graph Neural Networks for Power Allocation in Wireless Networks with
Full Duplex Nodes [10.150768420975155]
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。
論文 参考訳(メタデータ) (2023-03-27T10:59:09Z) - 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 Cooperative Beamforming with Edge-Update Empowered Graph Neural
Networks [29.23937571816269]
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。
論文 参考訳(メタデータ) (2022-11-23T02:05:06Z) - 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) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳(メタデータ) (2022-05-22T12:16:43Z) - 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) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - 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) - Channel Assignment in Uplink Wireless Communication using Machine
Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。
我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。
計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文 参考訳(メタデータ) (2020-01-12T15:54:20Z)
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。