論文の概要: Graph Representation Learning for Contention and Interference Management
in Wireless Networks
- arxiv url: http://arxiv.org/abs/2402.00879v1
- Date: Mon, 15 Jan 2024 22:23:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-11 17:28:57.281429
- Title: Graph Representation Learning for Contention and Interference Management
in Wireless Networks
- Title（参考訳）: 無線ネットワークにおけるコンテントと干渉管理のためのグラフ表現学習
- Authors: Zhouyou Gu, Branka Vucetic, Kishore Chikkam, Pasquale Aliberti, Wibowo
Hardjawana
- Abstract要約: Wi-Fi 802.11ahネットワークにおける制限付きアクセスウィンドウ(RAW)は、ユーザグループ化による競合や干渉を管理する。
RAWでは,ネットワークの最悪のユーザスループットを最大化するために,最適なユーザグループ決定を行う。
- 参考スコア（独自算出の注目度）: 24.39445377193156
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Restricted access window (RAW) in Wi-Fi 802.11ah networks manages contention
and interference by grouping users and allocating periodic time slots for each
group's transmissions. We will find the optimal user grouping decisions in RAW
to maximize the network's worst-case user throughput. We review existing user
grouping approaches and highlight their performance limitations in the above
problem. We propose formulating user grouping as a graph construction problem
where vertices represent users and edge weights indicate the contention and
interference. This formulation leverages the graph's max cut to group users and
optimizes edge weights to construct the optimal graph whose max cut yields the
optimal grouping decisions. To achieve this optimal graph construction, we
design an actor-critic graph representation learning (AC-GRL) algorithm.
Specifically, the actor neural network (NN) is trained to estimate the optimal
graph's edge weights using path losses between users and access points. A graph
cut procedure uses semidefinite programming to solve the max cut efficiently
and return the grouping decisions for the given weights. The critic NN
approximates user throughput achieved by the above-returned decisions and is
used to improve the actor. Additionally, we present an architecture that uses
the online-measured throughput and path losses to fine-tune the decisions in
response to changes in user populations and their locations. Simulations show
that our methods achieve $30\%\sim80\%$ higher worst-case user throughput than
the existing approaches and that the proposed architecture can further improve
the worst-case user throughput by $5\%\sim30\%$ while ensuring timely updates
of grouping decisions.
- Abstract（参考訳）: wi-fi 802.11ahネットワークの制限アクセスウィンドウ(raw)は、ユーザをグループ化し、各グループの送信に周期的なタイムスロットを割り当てることで、競合と干渉を管理する。
RAWでは,ネットワークの最悪のユーザスループットを最大化するために,最適なユーザグループ決定を行う。
既存のユーザグループ化アプローチをレビューし、上記の問題におけるパフォーマンス制限を強調します。
本稿では,頂点がユーザを表し,エッジ重みが競合や干渉を示すグラフ構築問題として,ユーザグループ化の定式化を提案する。
この定式化は、グラフの最大カットをグループユーザーに利用し、エッジウェイトを最適化して、最大カットが最適なグループ決定をもたらす最適グラフを構築する。
この最適グラフ構築を実現するために,アクター批判グラフ表現学習(AC-GRL)アルゴリズムを設計する。
具体的には、アクタニューラルネットワーク(nn)を訓練し、ユーザとアクセスポイント間のパス損失を用いて、最適なグラフのエッジ重みを推定する。
グラフカット手順は半定値プログラミングを用いて、最大カットを効率よく解き、与えられた重みに対するグループ決定を返す。
批評家NNは、上記の判断によって達成されたユーザのスループットを近似し、アクターを改善するために使用される。
さらに,オンラインで測定したスループットと経路損失を利用して,ユーザの人口と位置の変化に応じて決定を微調整するアーキテクチャを提案する。
シミュレーションにより,提案手法は既存手法よりも30 %\sim80\%$最悪のユーザスループットを達成でき,提案アーキテクチャはグループ化決定のタイムリーな更新を確保しつつ,最悪のユーザスループットをさらに5 %\sim30\%$に向上させることができることが示された。
関連論文リスト
- Cluster-based Graph Collaborative Filtering [55.929052969825825]
グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。
既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。
クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
論文 参考訳（メタデータ） (2024-04-16T07:05:16Z) - Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。
提案手法は,複数のMOTデータセット上での最先端性能を実現する。
画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文 参考訳（メタデータ） (2023-03-27T17:39:00Z) - Graph Neural Network Surrogates of Fair Graph Filtering [13.854091527965297]
後続目的に対するフィルタ対応ユニバーサル近似フレームワークを提案する。
これにより、実行時にトレーニングされた適切なグラフニューラルネットワークが、フィルタと同じようなものになる。
私たちは、パリティ制約を満たす際の代替手段よりも、我々のアプローチが等しく良いか、あるいは優れていることを示しています。
論文 参考訳（メタデータ） (2023-03-14T18:14:40Z) - Data-Driven Offline Decision-Making via Invariant Representation
Learning [97.49309949598505]
オフラインのデータ駆動意思決定は、アクティブなインタラクションなしで最適化された決定を合成する。
オフラインデータからトレーニングされたモデルへの入力に関して最適化する場合、誤って良いように見えるアウト・オブ・ディストリビューション(OOD)インプットを生成するのは簡単です。
本稿では、オフラインデータ駆動意思決定をドメイン適応として定式化し、最適化された決定値の正確な予測を行うことを目標とする。
論文 参考訳（メタデータ） (2022-11-21T11:01:37Z) - Learning to solve Minimum Cost Multicuts efficiently using Edge-Weighted
Graph Convolutional Neural Networks [13.985534521589257]
グラフ畳み込みニューラルネットワーク(GNN)は、最適化の文脈で有望であることが証明されている。
我々は、グラフ畳み込みネットワーク、符号付きグラフ畳み込みネットワーク、グラフ等化ネットワークなど、さまざまなGNNに適応する。
エンドツーエンドのトレーニング可能なマルチカットへの最初のアプローチを提供する。
論文 参考訳（メタデータ） (2022-04-04T10:21:02Z) - GLAN: A Graph-based Linear Assignment Network [29.788755291070462]
深層グラフネットワークに基づく学習可能な線形代入問題の解法を提案する。
合成データセットによる実験結果から,本手法は最先端のベースラインよりも優れていることがわかった。
また,提案手法を一般的なマルチオブジェクトトラッキング(MOT)フレームワークに組み込んで,エンド・ツー・エンドでトラッカーをトレーニングする。
論文 参考訳（メタデータ） (2022-01-05T13:18:02Z) - Training Robust Graph Neural Networks with Topology Adaptive Edge
Dropping [116.26579152942162]
グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。
彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。
本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
論文 参考訳（メタデータ） (2021-06-05T13:20:36Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。