論文の概要: A Learning Based Scheme for Fair Timeliness in Sparse Gossip Networks

• arxiv url: http://arxiv.org/abs/2310.01396v1
• Date: Mon, 2 Oct 2023 17:55:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 20:18:51.370098
• Title: A Learning Based Scheme for Fair Timeliness in Sparse Gossip Networks
• Title（参考訳）: スパースゴシップネットワークにおける公平なタイムラインのための学習ベーススキーム
• Authors: Purbesh Mitra and Sennur Ulukus
• Abstract要約: 我々は、ソースの情報を追跡する$n$ノードからなるゴシップネットワークを考える。 ソースはPoissonの到着プロセスで情報を更新し、ネットワーク内のノードに更新を送信する。 一部のノードはソースを非常に時間的に追跡できるが、一部のノードはバージョンに遅れることが多い。
• 参考スコア（独自算出の注目度）: 41.53961199878831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider a gossip network, consisting of $n$ nodes, which tracks the information at a source. The source updates its information with a Poisson arrival process and also sends updates to the nodes in the network. The nodes themselves can exchange information among themselves to become as timely as possible. However, the network structure is sparse and irregular, i.e., not every node is connected to every other node in the network, rather, the order of connectivity is low, and varies across different nodes. This asymmetry of the network implies that the nodes in the network do not perform equally in terms of timelines. Due to the gossiping nature of the network, some nodes are able to track the source very timely, whereas, some nodes fall behind versions quite often. In this work, we investigate how the rate-constrained source should distribute its update rate across the network to maintain fairness regarding timeliness, i.e., the overall worst case performance of the network can be minimized. Due to the continuous search space for optimum rate allocation, we formulate this problem as a continuum-armed bandit problem and employ Gaussian process based Bayesian optimization to meet a trade-off between exploration and exploitation sequentially.
• Abstract（参考訳）: 我々は、ソースの情報を追跡する$n$ノードからなるゴシップネットワークを考える。 ソースはPoissonの到着プロセスで情報を更新し、ネットワーク内のノードに更新を送信する。 ノード自身は情報を交換して可能な限りタイムリーにすることができる。 しかし、ネットワーク構造は狭く不規則であり、すなわち、全てのノードがネットワーク内の他の全てのノードに接続されているわけではなく、接続の順序が低く、異なるノード間で異なる。 このネットワークの非対称性は、ネットワーク内のノードが時間軸で等しく機能しないことを意味する。 ネットワークのゴシピング特性のため、一部のノードはソースを非常にタイムリーに追跡できるが、一部のノードはバージョンにかなり遅れている。 本研究では,レート制約のあるソースが更新率をネットワーク全体に分散し,時系列性を維持すること,すなわちネットワークの最悪の場合の性能を最小化する方法について検討する。 最適なレート割り当てのための連続探索空間のため、この問題を連続武装バンディット問題として定式化し、ガウス過程に基づくベイズ最適化を用いて探索とエクスプロイトのトレードオフを順次満たす。

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)
• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• Reinforcement Learning for Node Selection in Branch-and-Bound [52.2648997215667]
  現在の最先端セレクタは手作りのアンサンブルを使用して、ナイーブなサブノードセレクタと、個々のノードデータに依存する学習ノードセレクタを自動的に切り替える。 孤立ノードではなく木の状態全体を考慮しながら強化学習(RL)を用いる新しいシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2023-09-29T19:55:56Z)
• Temporal network compression via network hashing [3.708135408284268]
  本稿では,時間的ネットワーク表現の問題に対処する効率的な行列アルゴリズムを提案する。 第二に、大規模な時間的ネットワークを小さなプロキシに集約し、外部成分を推定しやすくするハッシュフレームワークを提案する。 我々のグラフハッシュソリューションは、時間ネットワークの表現を尊重するプライバシーに影響を及ぼす。
  論文  参考訳（メタデータ） (2023-07-10T20:25:41Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• ResNorm: Tackling Long-tailed Degree Distribution Issue in Graph Neural Networks via Normalization [80.90206641975375]
  本稿では,正規化によるGNNの性能向上に焦点をあてる。 グラフ中のノード次数の長期分布を調べることにより、GNNの新しい正規化法を提案する。 ResNormの$scale$操作は、尾ノードの精度を向上させるために、ノード単位の標準偏差(NStd)分布を再設定する。
  論文  参考訳（メタデータ） (2022-06-16T13:49:09Z)
• Bayesian Nested Neural Networks for Uncertainty Calibration and Adaptive Compression [40.35734017517066]
  ネストネットワーク(Nested Network)またはスリムブルネットワーク(Slimmable Network)は、テスト期間中にアーキテクチャを即座に調整できるニューラルネットワークである。 最近の研究は、トレーニング中に重要なレイヤのノードを順序付けできる"ネストされたドロップアウト"層に焦点を当てている。
  論文  参考訳（メタデータ） (2021-01-27T12:34:58Z)
• Online Dynamic Network Embedding [26.203786679460528]
  本稿では,動的ネットワークを扱うためにRNNE(Recurrent Neural Network Embedding)アルゴリズムを提案する。 RNNEはネットワークの静的特性と動的特性の両方を考慮している。 RNNEを5つのネットワーク上で評価し、最先端のアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2020-06-30T02:21:37Z)
• Fully Asynchronous Policy Evaluation in Distributed Reinforcement Learning over Networks [14.636457985379746]
  本稿では,有向ピアツーピアネットワーク上での分散強化学習(DisRL)のポリシー評価問題に対する非同期手法を提案する。 ネットワークの他のノードを待つことなく、各ノードは隣人からの(おそらく遅れた)情報を使用して、いつでもローカルに値関数を更新できる。
  論文  参考訳（メタデータ） (2020-03-01T08:12:08Z)

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。