論文の概要: Fine-grained graph representation learning for heterogeneous mobile networks with attentive fusion and contrastive learning

• arxiv url: http://arxiv.org/abs/2412.07809v1
• Date: Tue, 10 Dec 2024 01:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:03:21.922237
• Title: Fine-grained graph representation learning for heterogeneous mobile networks with attentive fusion and contrastive learning
• Title（参考訳）: 注意融合とコントラスト学習を用いた異種移動体ネットワークのグラフ表現学習
• Authors: Shengheng Liu, Tianqi Zhang, Ningning Fu, Yongming Huang,
• Abstract要約: モバイルネットワークの分野に知識グラフの概念を導入し、無線データ知識グラフ(WDKG)を創出する。 WDKGの洗練と更新を自動化することを目的とした、教師なしデータ・モデル駆動型グラフ構造学習(DMGSL)フレームワークを提案する。 確立されたWDKG実験は、DMGSLがベースラインよりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 28.854288616147844
• License:
• Abstract: AI becomes increasingly vital for telecom industry, as the burgeoning complexity of upcoming mobile communication networks places immense pressure on network operators. While there is a growing consensus that intelligent network self-driving holds the key, it heavily relies on expert experience and knowledge extracted from network data. In an effort to facilitate convenient analytics and utilization of wireless big data, we introduce the concept of knowledge graphs into the field of mobile networks, giving rise to what we term as wireless data knowledge graphs (WDKGs). However, the heterogeneous and dynamic nature of communication networks renders manual WDKG construction both prohibitively costly and error-prone, presenting a fundamental challenge. In this context, we propose an unsupervised data-and-model driven graph structure learning (DMGSL) framework, aimed at automating WDKG refinement and updating. Tackling WDKG heterogeneity involves stratifying the network into homogeneous layers and refining it at a finer granularity. Furthermore, to capture WDKG dynamics effectively, we segment the network into static snapshots based on the coherence time and harness the power of recurrent neural networks to incorporate historical information. Extensive experiments conducted on the established WDKG demonstrate the superiority of the DMGSL over the baselines, particularly in terms of node classification accuracy.
• Abstract（参考訳）: 近日中に行われるモバイル通信ネットワークの複雑さが、ネットワークオペレーターに多大な圧力をかける中、AIは通信業界にとってますます重要になっている。 インテリジェントなネットワークの自動運転が鍵を握っているというコンセンサスが増えているが、ネットワークデータから抽出された専門家の経験と知識に大きく依存している。 無線ビッグデータの便利な分析と活用を容易にするため,モバイルネットワークの分野に知識グラフの概念を導入し,無線データ知識グラフ(WDKG)と呼ぶものを生み出した。 しかし、通信ネットワークの異種性と動的性質は、手動のWDKG構築を不当にコストがかかることとエラーが発生しているため、根本的な課題が提示される。 本稿では、WDKGの洗練と更新を自動化することを目的とした、教師なしデータ・モデル駆動型グラフ構造学習(DMGSL)フレームワークを提案する。 WDKGの不均一性に取り組むには、ネットワークを均質な層に成層し、より微細な粒度で精製する。 さらに、WDKGのダイナミクスを効果的に捉えるために、コヒーレンス時間に基づいてネットワークを静的スナップショットに分割し、リカレントニューラルネットワークのパワーを利用して歴史的情報を組み込む。 確立されたWDKGに対して行われた大規模な実験は、特にノード分類精度の点で、ベースラインよりもDMGSLの方が優れていることを示した。

関連論文リスト

• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• Survey of Graph Neural Network for Internet of Things and NextG Networks [3.591122855617648]
  グラフニューラルネットワーク(GNN)は、洞察を効果的にモデル化し抽出するための有望なパラダイムとして登場した。 この調査は、GNNの用語、アーキテクチャ、および異なるタイプのGNNについて、詳細な説明を提供する。 次に、GNNがネットワークシステムや戦術システムにどのように活用されているかについて詳細な説明を行う。
  論文  参考訳（メタデータ） (2024-05-27T16:10:49Z)
• Learning Wireless Data Knowledge Graph for Green Intelligent Communications: Methodology and Experiments [36.82287751359216]
  我々は,知識グラフ(KG)の概念をモバイルネットワークのインテリジェントな操作操作に統合した,広汎なマルチレベル(PML)ネイティブAIアーキテクチャを提案する。 我々は、無線通信ネットワークから収集された大規模で複雑なデータを特徴付け、様々なデータフィールド間の関係を分析する。 このアーキテクチャは、AIトレーニング、推論、検証プロセスを強化するだけでなく、通信ネットワークのリソースの浪費とオーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2024-04-16T07:55:34Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Representation Learning of Knowledge Graph for Wireless Communication Networks [21.123289598816847]
  本稿では,無線通信プロトコルに基づいて知識グラフを構築することにより,無線データの内在的関係を理解することを目的とする。 グラフ畳み込みニューラルネットワークに基づく新しいモデルは、グラフノードを分類し、関係予測をシミュレートするために使用されるグラフの表現を学ぶように設計されている。
  論文  参考訳（メタデータ） (2022-08-22T07:36:34Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
  ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。 これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。 以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-22T17:33:51Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• 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)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。