論文の概要: Accelerating Graph Neural Networks via Edge Pruning for Power Allocation in Wireless Networks

• arxiv url: http://arxiv.org/abs/2305.12639v2
• Date: Mon, 3 Jun 2024 13:06:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-04 21:39:44.216810
• 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: 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。
• 参考スコア（独自算出の注目度）: 9.031738020845586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph 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 distance-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 neighbour-based Graph Neural Networks (N-GNN) with the aim of allocating transmit powers to maximise the network throughput. Our results show that our proposed N-GNN offer significant advantages in terms of reducing time complexity while preserving strong performance and generalisation capacity. 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）: 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アプローチを初めて導入する。 さらに,距離に基づく閾値と近傍の閾値の両方を包括的に分析し,異なる通信チャネルのシナリオで適切な値を選択するためのレコメンデーションを提供する。 ネットワークスループットを最大化するために送信電力の割当を目的とし、近隣のグラフニューラルネットワーク(N-GNN)を設計する。 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。 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

• Decentralized Optimization in Time-Varying Networks with Arbitrary Delays [22.40154714677385]
  通信遅延によるネットワークの分散最適化問題を考察する。 そのようなネットワークの例としては、協調機械学習、センサーネットワーク、マルチエージェントシステムなどがある。 通信遅延を模倣するため、ネットワークに仮想非計算ノードを追加し、有向グラフを生成する。
  論文  参考訳（メタデータ） (2024-05-29T20:51:38Z)
• 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)
• 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)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• 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)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• 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)
• 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。