Fugu-MT 論文翻訳(概要): FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning

論文の概要: FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning

arxiv url: http://arxiv.org/abs/2405.08843v1
Date: Tue, 14 May 2024 07:53:23 GMT
ステータス: 処理完了
システム内更新日: 2024-05-16 15:15:00.916784
Title: FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning
Title（参考訳）: FLEXIBLE:明示的帰納的グラフ学習を活用したセルトラフィック予測
Authors: Duc Thinh Ngo, Kandaraj Piamrat, Ons Aouedi, Thomas Hassan, Philippe Raipin-Parvédy,
Abstract要約: 本稿では,新しい帰納学習手法と一般化可能なGNNベースの予測モデルを導入する。実験の結果、最先端と比較して9.8%の性能改善が見られた。
参考スコア（独自算出の注目度）: 1.4216957119562985
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: From a telecommunication standpoint, the surge in users and services challenges next-generation networks with escalating traffic demands and limited resources. Accurate traffic prediction can offer network operators valuable insights into network conditions and suggest optimal allocation policies. Recently, spatio-temporal forecasting, employing Graph Neural Networks (GNNs), has emerged as a promising method for cellular traffic prediction. However, existing studies, inspired by road traffic forecasting formulations, overlook the dynamic deployment and removal of base stations, requiring the GNN-based forecaster to handle an evolving graph. This work introduces a novel inductive learning scheme and a generalizable GNN-based forecasting model that can process diverse graphs of cellular traffic with one-time training. We also demonstrate that this model can be easily leveraged by transfer learning with minimal effort, making it applicable to different areas. Experimental results show up to 9.8% performance improvement compared to the state-of-the-art, especially in rare-data settings with training data reduced to below 20%.
Abstract（参考訳）: 通信の観点から見ると、ユーザやサービスの急増は、トラフィックの需要と限られたリソースをエスカレートする次世代ネットワークに挑戦する。正確なトラフィック予測は、ネットワークオペレーターにネットワーク条件に関する貴重な洞察を与え、最適なアロケーションポリシーを提案する。近年,グラフニューラルネットワーク(GNN)を用いた時空間予測が,セルトラフィック予測の有望な方法として浮上している。しかし、道路交通予測の定式化にインスパイアされた既存の研究は、基地局の動的配置と除去を見落とし、GNNベースの予測器が進化するグラフを扱う必要がある。本研究は,新しい帰納的学習手法と一般化可能なGNNベースの予測モデルを導入し,セルラートラフィックの多彩なグラフをワンタイムトレーニングで処理する。また、このモデルを最小限の労力で伝達学習によって容易に活用できることを示し、異なる分野に適用できることを示した。実験の結果、特にトレーニングデータを20%未満に下げた希少なデータ設定では、最先端と比較して9.8%の性能改善が見られた。

関連論文リスト

Towards a graph-based foundation model for network traffic analysis [3.0558245652654907]
基礎モデルはネットワークトラフィックの複雑さを把握でき、最小限の微調整で特定のタスクや環境に適応できる。従来のアプローチではトークン化ヘックスレベルのパケットデータを使用していた。本稿では,フローレベルでグラフベースの新しい代替案を提案する。
論文参考訳（メタデータ） (2024-09-12T15:04:34Z)
Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
論文参考訳（メタデータ） (2024-05-23T10:26:18Z)
Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文参考訳（メタデータ） (2022-03-29T21:18:47Z)
LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
論文参考訳（メタデータ） (2022-03-24T03:31:18Z)
Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文参考訳（メタデータ） (2022-03-08T09:46:50Z)
Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities [9.891703123090528]
本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。 3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
論文参考訳（メタデータ） (2022-02-08T03:58:39Z)
Graph Neural Networks for Traffic Forecasting [0.0]
本稿では,交通予測の課題に着目し,この問題に対するグラフニューラルネットワーク(GNN)の最近の開発と応用について概観する。 GNNは、入力を直接グラフデータとして処理する深層学習手法のクラスである。これにより、トラフィックデータの空間的依存関係をより直接的に活用し、ディープラーニングの利点を利用して最先端の結果が得られます。
論文参考訳（メタデータ） (2021-04-27T10:39:00Z)
Dynamic Graph Neural Network for Traffic Forecasting in Wide Area Networks [1.0934800950965335]
我々は,マルチステップネットワークトラフィック予測のための非自動グラフベースニューラルネットワークを開発した。我々は,米国エネルギー省の専用科学ネットワークESnetの実際のトラフィックに対するアプローチの有効性を評価する。
論文参考訳（メタデータ） (2020-08-28T17:47:11Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)
Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。我々は,新しいメタ学習フレームワークによってこの問題に対処する。我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文参考訳（メタデータ） (2020-06-11T17:42:46Z)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。