論文の概要: Unsupervised Graph-based Learning Method for Sub-band Allocation in 6G Subnetworks

• arxiv url: http://arxiv.org/abs/2401.00950v1
• Date: Wed, 13 Dec 2023 12:57:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 12:18:24.793884
• Title: Unsupervised Graph-based Learning Method for Sub-band Allocation in 6G Subnetworks
• Title（参考訳）: 教師なしグラフを用いた6gサブネットワークにおけるサブバンド割り当て学習法
• Authors: Daniel Abode, Ramoni Adeogun, Lou Sala\"un, Renato Abreu, Thomas Jacobsen, Gilberto Berardinelli
• Abstract要約: グラフベース学習を用いた無線ネットワークにおける周波数サブバンド割り当てのための教師なし手法を提案する。 サブネットワーク配置を競合グラフとしてモデル化し,グラフカラー化とPottsモデルにインスパイアされた教師なし学習アプローチを提案し,サブバンド割り当てを最適化する。
• 参考スコア（独自算出の注目度）: 1.0951772570165874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present an unsupervised approach for frequency sub-band allocation in wireless networks using graph-based learning. We consider a dense deployment of subnetworks in the factory environment with a limited number of sub-bands which must be optimally allocated to coordinate inter-subnetwork interference. We model the subnetwork deployment as a conflict graph and propose an unsupervised learning approach inspired by the graph colouring heuristic and the Potts model to optimize the sub-band allocation using graph neural networks. The numerical evaluation shows that the proposed method achieves close performance to the centralized greedy colouring sub-band allocation heuristic with lower computational time complexity. In addition, it incurs reduced signalling overhead compared to iterative optimization heuristics that require all the mutual interfering channel information. We further demonstrate that the method is robust to different network settings.
• Abstract（参考訳）: 本稿では,グラフ学習を用いた無線ネットワークにおける周波数サブバンド割り当ての教師なし手法を提案する。 サブネットワーク間干渉の調整に最適に割り当てなければならないサブバンドの数が少ない工場環境におけるサブネットワークの密配置について考察する。 サブネットワーク配置をコンフリクトグラフとしてモデル化し,グラフカラーヒューリスティックとポッツモデルにインスパイアされた教師なし学習アプローチを提案し,グラフニューラルネットワークを用いたサブバンド割り当てを最適化する。 数値評価により,提案手法は,計算時間の複雑度が低い集中グリーディーカラー化サブバンド割り当てヒューリスティックに密接な性能を実現することを示す。 さらに、全ての相互干渉チャネル情報を必要とする反復的最適化ヒューリスティックと比べて信号のオーバーヘッドを低減させる。 さらに,本手法は異なるネットワーク設定に対して堅牢であることを示す。

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)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
  我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。 無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。 結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-01-27T20:23:24Z)
• Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
  我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。 チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
  論文  参考訳（メタデータ） (2022-01-24T19:55:10Z)
• Wireless Link Scheduling via Graph Representation Learning: A Comparative Study of Different Supervision Levels [4.264192013842096]
  本稿では,無線干渉ネットワークにおける二元電力制御(リンクスケジューリング)の問題点を考察し,グラフ表現学習を用いて電力制御ポリシーを訓練する。 ノードの埋め込みは、教師なし、教師なし、自己教師なしの学習など、様々な方法で訓練できることを示す。
  論文  参考訳（メタデータ） (2021-10-04T21:22:12Z)
• Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
  そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。 提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。 また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
  論文  参考訳（メタデータ） (2021-02-03T09:30:45Z)
• Graph Fairing Convolutional Networks for Anomaly Detection [7.070726553564701]
  半教師付き異常検出のためのスキップ接続付きグラフ畳み込みネットワークを提案する。 本モデルの有効性は,5つのベンチマークデータセットに対する広範な実験によって実証された。
  論文  参考訳（メタデータ） (2020-10-20T13:45:47Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。