論文の概要: FLEE-GNN: A Federated Learning System for Edge-Enhanced Graph Neural Network in Analyzing Geospatial Resilience of Multicommodity Food Flows

• arxiv url: http://arxiv.org/abs/2310.13248v1
• Date: Fri, 20 Oct 2023 03:06:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 00:35:11.564087
• Title: FLEE-GNN: A Federated Learning System for Edge-Enhanced Graph Neural Network in Analyzing Geospatial Resilience of Multicommodity Food Flows
• Title（参考訳）: FLEE-GNN:多成分食品流の空間抵抗性解析のためのエッジ強化グラフニューラルネットワークのフェデレーション学習システム
• Authors: Yuxiao Qu, Jinmeng Rao, Song Gao, Qianheng Zhang, Wei-Lun Chao, Yu Su, Michelle Miller, Alfonso Morales, Patrick Huber
• Abstract要約: FLEE-GNNはエッジ強化グラフニューラルネットワークのための新しいフェデレーション学習システムである。 これは、グラフニューラルネットワークの堅牢性と適応性と、フェデレーション学習のプライバシ意識と分散化の側面を組み合わせる。 その結果, 多商品食品流網のレジリエンスを定量化する手法の進歩が示唆された。
• 参考スコア（独自算出の注目度）: 31.70913467854211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and measuring the resilience of food supply networks is a global imperative to tackle increasing food insecurity. However, the complexity of these networks, with their multidimensional interactions and decisions, presents significant challenges. This paper proposes FLEE-GNN, a novel Federated Learning System for Edge-Enhanced Graph Neural Network, designed to overcome these challenges and enhance the analysis of geospatial resilience of multicommodity food flow network, which is one type of spatial networks. FLEE-GNN addresses the limitations of current methodologies, such as entropy-based methods, in terms of generalizability, scalability, and data privacy. It combines the robustness and adaptability of graph neural networks with the privacy-conscious and decentralized aspects of federated learning on food supply network resilience analysis across geographical regions. This paper also discusses FLEE-GNN's innovative data generation techniques, experimental designs, and future directions for improvement. The results show the advancements of this approach to quantifying the resilience of multicommodity food flow networks, contributing to efforts towards ensuring global food security using AI methods. The developed FLEE-GNN has the potential to be applied in other spatial networks with spatially heterogeneous sub-network distributions.
• Abstract（参考訳）: 食糧供給ネットワークのレジリエンスの理解と測定は、食品の安全性向上に取り組むための世界的な義務である。 しかし、これらのネットワークの複雑さは多次元の相互作用と決定によって大きな課題を呈している。 本稿では,エッジエンハンスグラフニューラルネットワークのための新しい連合学習システムであるfleet-gnnを提案し,これらの課題を克服し,空間ネットワークの一種であるマルチコモディティフードフローネットワークの地理空間弾性解析を強化する。 FLEE-GNNは、一般化可能性、スケーラビリティ、データプライバシーの観点から、エントロピーベースのメソッドのような現在の方法論の限界に対処する。 グラフニューラルネットワークの堅牢性と適応性と、地理的領域にわたる食品供給ネットワークのレジリエンス分析におけるフェデレーション学習のプライバシー意識と分散化の側面を組み合わせる。 本稿では,FLEE-GNNの革新的なデータ生成技術,実験設計,改善に向けた今後の方向性についても論じる。 その結果、多商品食品流網のレジリエンスを定量化するためのこのアプローチの進歩が示され、AI手法によるグローバルな食品安全確保への取り組みに寄与した。 FLEE-GNNは空間的に不均一なサブネットワーク分布を持つ他の空間ネットワークに適用できる可能性を持っている。

関連論文リスト

• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• Identification of important nodes in the information propagation network based on the artificial intelligence method [2.1331883629523634]
  我々はDEMATEL(Decision-making Trial and Evaluation Laboratory)とGSM(Global Structure Model)を組み合わせた新しい手法を提案する。 この方法は、社会、交通、通信システムなど、様々な複雑なネットワークに適用される。 我々の分析では、これらのネットワークの構造的ダイナミクスとレジリエンスを強調し、ノード接続とコミュニティ形成に関する洞察を明らかにした。
  論文  参考訳（メタデータ） (2024-02-29T23:43:08Z)
• Generative AI for Secure Physical Layer Communications: A Survey [80.0638227807621]
  Generative Artificial Intelligence(GAI)は、AIイノベーションの最前線に立ち、多様なコンテンツを生成するための急速な進歩と非並行的な能力を示す。 本稿では,通信ネットワークの物理層におけるセキュリティ向上におけるGAIの様々な応用について,広範な調査を行う。 私たちは、物理的レイヤセキュリティの課題に対処する上で、GAIの役割を掘り下げ、通信の機密性、認証、可用性、レジリエンス、整合性に重点を置いています。
  論文  参考訳（メタデータ） (2024-02-21T06:22:41Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• Measuring Network Resilience via Geospatial Knowledge Graph: a Case Study of the US Multi-Commodity Flow Network [2.1793134762413437]
  マルチコモディティフローネットワークの地理空間意味論を記述するためのCFS-GeoKGを開発した。 我々は,階層的な商品タイプを持つ米国レベルの農業用多商品フローネットワークのケーススタディを行う。
  論文  参考訳（メタデータ） (2022-10-09T23:12:16Z)
• Service Discovery in Social Internet of Things using Graph Neural Networks [1.552282932199974]
  IoT(Internet-of-Things)ネットワークは、何千もの物理的エンティティをインテリジェントに接続して、コミュニティにさまざまなサービスを提供する。 ネットワークに存在するIoTデバイスを発見し、それに対応するサービスを要求するプロセスを複雑にしている。 異種大規模IoTネットワークに適したスケーラブルなリソース割り当てニューラルモデルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T12:25:37Z)
• Topology-aware Graph Neural Networks for Learning Feasible and Adaptive ac-OPF Solutions [18.63828570982923]
  我々は、ac-OPF問題の最適解を予測するために、新しいトポロジインフォームドグラフニューラルネットワーク(GNN)アプローチを開発した。 NNモデルにグリッドトポロジを組み込むため,提案したGNN-for-OPFフレームワークは,位置境界価格と電圧等級の局所性特性を利用する。 提案設計の利点は、モデル複雑性の低減、一般化可能性の向上、実現可能性の保証である。
  論文  参考訳（メタデータ） (2022-05-16T23:36:37Z)
• 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)
• Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
  本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。 本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。 学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
  論文  参考訳（メタデータ） (2021-04-16T17:59:06Z)
• On Topology Optimization and Routing in Integrated Access and Backhaul Networks: A Genetic Algorithm-based Approach [70.85399600288737]
  IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。 我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。 メッシュベースのIABネットワークを実現する上での課題について論じる。
  論文  参考訳（メタデータ） (2021-02-14T21:52:05Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)

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。