論文の概要: Robust Generalization of Graph Neural Networks for Carrier Scheduling
- arxiv url: http://arxiv.org/abs/2407.08479v1
- Date: Thu, 11 Jul 2024 13:13:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 17:19:55.967275
- Title: Robust Generalization of Graph Neural Networks for Carrier Scheduling
- Title（参考訳）: キャリアスケジューリングのためのグラフニューラルネットワークのロバスト一般化
- Authors: Daniel F. Perez-Ramirez, Carlos Pérez-Penichet, Nicolas Tsiftes, Dejan Kostic, Magnus Boman, Thiemo Voigt,
- Abstract要約: 本稿では,1000ノードまでのネットワークへの一般化(再学習なしで)を改善するGNNベースのスケジューラであるRobustGANTTを紹介する。
我々の研究は、大規模バックスキャッターネットワークにおける資源利用を改善するだけでなく、学習ベースのスケジューリングに関する貴重な洞察も提供する。
- 参考スコア（独自算出の注目度）: 4.311529300510196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Battery-free sensor tags are devices that leverage backscatter techniques to communicate with standard IoT devices, thereby augmenting a network's sensing capabilities in a scalable way. For communicating, a sensor tag relies on an unmodulated carrier provided by a neighboring IoT device, with a schedule coordinating this provisioning across the network. Carrier scheduling--computing schedules to interrogate all sensor tags while minimizing energy, spectrum utilization, and latency--is an NP-Hard optimization problem. Recent work introduces learning-based schedulers that achieve resource savings over a carefully-crafted heuristic, generalizing to networks of up to 60 nodes. However, we find that their advantage diminishes in networks with hundreds of nodes, and degrades further in larger setups. This paper introduces RobustGANTT, a GNN-based scheduler that improves generalization (without re-training) to networks up to 1000 nodes (100x training topology sizes). RobustGANTT not only achieves better and more consistent generalization, but also computes schedules requiring up to 2x less resources than existing systems. Our scheduler exhibits average runtimes of hundreds of milliseconds, allowing it to react fast to changing network conditions. Our work not only improves resource utilization in large-scale backscatter networks, but also offers valuable insights in learning-based scheduling.
- Abstract（参考訳）: バッテリフリーセンサータグ(Battery-free Sensor tag)は、標準のIoTデバイスと通信するために後方散乱技術を活用するデバイスであり、これによりネットワークのセンサー機能をスケーラブルな方法で拡張する。
通信において、センサタグは、近隣のIoTデバイスによって提供される、変調されていないキャリアに依存し、このプロビジョニングをネットワーク全体で調整するスケジュールである。
キャリアスケジューリング - エネルギー、スペクトル利用、遅延を最小限に抑えつつ、すべてのセンサタグを問うスケジュールを計算する - NP-Hard最適化の問題である。
最近の研究は、学習ベースのスケジューラを導入し、注意深く構築されたヒューリスティックで、最大60ノードのネットワークに一般化したリソース節約を実現している。
しかし、数百ノードのネットワークでは優位性が低下し、より大きなセットアップではさらに低下することがわかった。
本稿では,1000ノード(100倍のトレーニングトポロジサイズ)までのネットワークへの一般化(再学習なしで)を改善するGNNベースのスケジューラであるRobustGANTTを紹介する。
RobustGANTTは、より良い、より一貫性のある一般化を達成するだけでなく、既存のシステムよりも最大2倍少ないリソースを必要とするスケジュールを計算する。
我々のスケジューラは数百ミリ秒の平均ランタイムを示し、ネットワーク条件の変化に迅速に対応できるようにします。
我々の研究は、大規模バックスキャッターネットワークにおける資源利用を改善するだけでなく、学習ベースのスケジューリングに関する貴重な洞察も提供する。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - 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) - Congestion-aware Distributed Task Offloading in Wireless Multi-hop
Networks Using Graph Neural Networks [33.79834562046449]
既存のオフロード方式は主にモバイルデバイスとサーバに焦点を当て、複数のモバイルデバイスからのタスクによるネットワークの混雑を無視する。
本稿では,グラフベース機械学習を用いて分散グリードフレームワークを増強し,分散タスクオフロード方式を提案する。
提案手法は,コンテキストに依存しないベースライン下での混雑や不安定な待ち行列の低減に有効であるとともに,ローカルコンピューティングによる実行遅延の改善にも有効である。
論文 参考訳（メタデータ） (2023-12-05T03:46:30Z) - ENGNN: A General Edge-Update Empowered GNN Architecture for Radio
Resource Management in Wireless Networks [29.23937571816269]
鍵となる課題は、無線リソースをビームフォーミングとパワーアロケーションによって効率的に管理することである。
本稿では,GNNがノード変数とエッジ変数の両方を扱えるように,エッジ更新機構を提案する。
提案手法は平均和率が高いが,最先端の手法よりもはるかに短い時間で計算できる。
論文 参考訳（メタデータ） (2022-12-14T14:04:25Z) - Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。
本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。
CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
論文 参考訳（メタデータ） (2022-10-10T10:05:00Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳（メタデータ） (2022-01-18T13:59:22Z) - DeepGANTT: A Scalable Deep Learning Scheduler for Backscatter Networks [6.412612364488614]
DeepGANTTは、グラフニューラルネットワークを活用して、ほぼ最適なキャリアスケジューリングを効率的に提供するスケジューラである。
DeepGANTTは,ノード数で6倍,タグ数で10倍のネットワークに一般化されている。
論文 参考訳（メタデータ） (2021-12-24T07:58:42Z) - GCNScheduler: Scheduling Distributed Computing Applications using Graph
Convolutional Networks [12.284934135116515]
グラフ畳み込み型ネットワークベーススケジューラ(GCNScheduler)を提案する。
タスク間データ依存関係構造とネットワーク設定を慎重に入力グラフに統合することにより、GCNSchedulerは所定の目的のためにタスクを効率的にスケジュールすることができる。
従来のHEFTアルゴリズムよりもマインパンが良く、スループット指向のHEFTとほぼ同じスループットであることを示す。
論文 参考訳（メタデータ） (2021-10-22T01:54:10Z) - Quantized Neural Networks via {-1, +1} Encoding Decomposition and
Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。
本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:11:15Z) - Multi-Exit Semantic Segmentation Networks [78.44441236864057]
本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。
パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。
接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
論文 参考訳（メタデータ） (2021-06-07T11:37:03Z) - Deep Learning for Radio Resource Allocation with Diverse
Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。
完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。
無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文 参考訳（メタデータ） (2020-03-29T04:48:22Z)
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。