論文の概要: HGFF: A Deep Reinforcement Learning Framework for Lifetime Maximization in Wireless Sensor Networks
- arxiv url: http://arxiv.org/abs/2407.07747v1
- Date: Thu, 11 Apr 2024 13:09:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 13:58:01.793733
- Title: HGFF: A Deep Reinforcement Learning Framework for Lifetime Maximization in Wireless Sensor Networks
- Title（参考訳）: HGFF:無線センサネットワークにおける生涯最大化のための深層強化学習フレームワーク
- Authors: Xiaoxu Han, Xin Mu, Jinghui Zhong,
- Abstract要約: 深部強化学習とヘテロジニアスグラフニューラルネットワークを組み合わせた新しいフレームワークを提案し,シンクの移動経路を自動構築する。
実世界の異なる無線センサネットワークをシミュレートする静的マップと動的マップを10種類設計する。
我々のアプローチは、あらゆる種類の地図において、既存の手法よりも一貫して優れています。
- 参考スコア（独自算出の注目度）: 5.4894758104028245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planning the movement of the sink to maximize the lifetime in wireless sensor networks is an essential problem of great research challenge and practical value. Many existing mobile sink techniques based on mathematical programming or heuristics have demonstrated the feasibility of the task. Nevertheless, the huge computation consumption or the over-reliance on human knowledge can result in relatively low performance. In order to balance the need for high-quality solutions with the goal of minimizing inference time, we propose a new framework combining heterogeneous graph neural network with deep reinforcement learning to automatically construct the movement path of the sink. Modeling the wireless sensor networks as heterogeneous graphs, we utilize the graph neural network to learn representations of sites and sensors by aggregating features of neighbor nodes and extracting hierarchical graph features. Meanwhile, the multi-head attention mechanism is leveraged to allow the sites to attend to information from sensor nodes, which highly improves the expressive capacity of the learning model. Based on the node representations, a greedy policy is learned to append the next best site in the solution incrementally. We design ten types of static and dynamic maps to simulate different wireless sensor networks in the real world, and extensive experiments are conducted to evaluate and analyze our approach. The empirical results show that our approach consistently outperforms the existing methods on all types of maps.
- Abstract（参考訳）: 無線センサネットワークの寿命を最大化するためにシンクの移動を計画することは、大きな研究課題と実用価値の重要な問題である。
数学的プログラミングやヒューリスティックに基づく既存のモバイルシンク技術の多くは、タスクの実現可能性を示している。
それでも、膨大な計算消費や人間の知識への過度な依存は、比較的低い性能をもたらす可能性がある。
推論時間の最小化を目標とする高品質なソリューションの必要性のバランスをとるため,不均一なグラフニューラルネットワークと深部強化学習を組み合わせた新しいフレームワークを提案し,シンクの移動経路を自動構築する。
無線センサネットワークをヘテロジニアスグラフとしてモデル化し,周辺ノードの特徴を集約し,階層グラフの特徴を抽出することにより,サイトやセンサの表現を学習する。
一方、マルチヘッドアテンション機構を利用して、センサーノードからの情報にサイトが参加できるようにし、学習モデルの表現能力を大幅に向上させる。
ノード表現に基づいて、次の最適なサイトをインクリメンタルに追加するgreedyポリシーが学習される。
実世界の異なる無線センサネットワークをシミュレートするための静的マップと動的マップを10種類設計し,我々のアプローチを評価・解析するための広範囲な実験を行った。
実験結果から,本手法はすべての種類の地図において,既存の手法よりも一貫して優れていたことが示唆された。
関連論文リスト
- Optimizing Sensor Network Design for Multiple Coverage [0.9668407688201359]
本稿では,より効率的で堅牢なセンサネットワークを設計するgreedy (next-best-view)アルゴリズムの目的関数を提案する。
また、ほぼリアルタイムで計算を行うアルゴリズムを高速化するためのディープラーニングモデルも導入する。
論文 参考訳（メタデータ） (2024-05-15T05:13:20Z) - Know Thy Neighbors: A Graph Based Approach for Effective Sensor-Based
Human Activity Recognition in Smart Homes [0.0]
スマートホームにおけるヒューマンアクティビティ認識(HAR)のためのグラフ誘導ニューラルネットワーク手法を提案する。
スマートホームにおけるセンサネットワークを表す,より表現力のあるグラフ構造を学習することで,これを実現する。
本手法は,アテンション機構の適用により,個別の入力センサ計測を特徴空間にマッピングする。
論文 参考訳（メタデータ） (2023-11-16T02:43:13Z) - The Map Equation Goes Neural: Mapping Network Flows with Graph Neural Networks [0.716879432974126]
コミュニティ検出は、教師なしのデータ探索と、ネットワーク化されたシステムの組織構造を明らかにするために不可欠なツールである。
本研究では,非教師付きコミュニティ検出のための一般的な情報理論的目的関数であるマップ方程式を考察し,下降による勾配の微分可能なテンソル形式で表現する。
我々の定式化は、任意のニューラルネットワークアーキテクチャと互換性のあるマップ方程式を変換し、エンドツーエンドの学習を可能にし、ノード機能を導入し、クラスタの最適な数を自動的に選択します。
論文 参考訳（メタデータ） (2023-10-02T12:32:18Z) - Graph Neural Network-Based Anomaly Detection for River Network Systems [0.8399688944263843]
水質のリアルタイムモニタリングは、インサイトセンサー技術にますます依存している。
センサデータの誤パターンを特定するには異常検出が不可欠である。
本稿では,河川ネットワークセンサデータにおける異常検出の課題に対する解決法を提案する。
論文 参考訳（メタデータ） (2023-04-19T01:32:32Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳（メタデータ） (2023-01-20T17:06:34Z) - Dynamic Community Detection via Adversarial Temporal Graph
Representation Learning [17.487265170798974]
本研究では,脳ネットワークデータの少数のサンプルから動的コミュニティを検出するために,対角時間グラフ表現学習フレームワークを提案する。
さらに、このフレームワークは、時間グラフ表現の学習をガイドし、測定可能なモジュラリティ損失を最適化して、コミュニティのモジュラリティを最大化するために、敵対的なトレーニングを採用している。
論文 参考訳（メタデータ） (2022-06-29T08:44:22Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - FuNNscope: Visual microscope for interactively exploring the loss
landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。
我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。
インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文 参考訳（メタデータ） (2022-04-09T16:41:53Z) - Firefly Neural Architecture Descent: a General Approach for Growing
Neural Networks [50.684661759340145]
firefly neural architecture descentは、ニューラルネットワークを漸進的かつ動的に成長させるための一般的なフレームワークである。
ホタルの降下は、より広く、より深くネットワークを柔軟に成長させ、正確だがリソース効率のよいニューラルアーキテクチャを学習するために応用できることを示す。
特に、サイズは小さいが、最先端の手法で学習したネットワークよりも平均精度が高いネットワークを学習する。
論文 参考訳（メタデータ） (2021-02-17T04:47:18Z) - 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) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z)
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。