論文の概要: Heterogeneous Resource Allocation with Multi-task Learning for Wireless Networks

• arxiv url: http://arxiv.org/abs/2502.10027v1
• Date: Fri, 14 Feb 2025 09:13:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:45:03.738656
• Title: Heterogeneous Resource Allocation with Multi-task Learning for Wireless Networks
• Title（参考訳）: 無線ネットワークのためのマルチタスク学習による異種資源配置
• Authors: Nikos A. Mitsiou, Pavlos S. Bouzinis, Panagiotis G. Sarigiannidis, George K. Karagiannidis,
• Abstract要約: マルチタスク学習(MTL)フレームワークを提案し、単一のディープニューラルネットワーク(DNN)が様々な最適化問題を共同で解決できるようにする。 本フレームワークでは, 異なる次元値, 目的値, 制約値の最適化問題を, 個別のタスクとして扱う。 計算結果から,多種多様な最適化問題の解法におけるMTL手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 22.52809431518314
• License:
• Abstract: The optimal solution to an optimization problem depends on the problem's objective function, constraints, and size. While deep neural networks (DNNs) have proven effective in solving optimization problems, changes in the problem's size, objectives, or constraints often require adjustments to the DNN architecture to maintain effectiveness, or even retraining a new DNN from scratch. Given the dynamic nature of wireless networks, which involve multiple and diverse objectives that can have conflicting requirements and constraints, we propose a multi-task learning (MTL) framework to enable a single DNN to jointly solve a range of diverse optimization problems. In this framework, optimization problems with varying dimensionality values, objectives, and constraints are treated as distinct tasks. To jointly address these tasks, we propose a conditional computation-based MTL approach with routing. The multi-task DNN consists of two components, the base DNN (bDNN), which is the single DNN used to extract the solutions for all considered optimization problems, and the routing DNN (rDNN), which manages which nodes and layers of the bDNN to be used during the forward propagation of each task. The output of the rDNN is a binary vector which is multiplied with all bDNN's weights during the forward propagation, creating a unique computational path through the bDNN for each task. This setup allows the tasks to either share parameters or use independent ones, with the decision controlled by the rDNN. The proposed framework supports both supervised and unsupervised learning scenarios. Numerical results demonstrate the efficiency of the proposed MTL approach in solving diverse optimization problems. In contrast, benchmark DNNs lacking the rDNN mechanism were unable to achieve similar levels of performance, highlighting the effectiveness of the proposed architecture.
• Abstract（参考訳）: 最適化問題の最適解は、問題の目的関数、制約、サイズに依存する。 ディープニューラルネットワーク(DNN)は最適化問題の解決に有効であることが証明されているが、問題のサイズ、目的、制約の変更は、有効性を維持するためにDNNアーキテクチャの調整を必要とすることや、新しいDNNをゼロから再トレーニングすることさえある。 要求と制約の相反する複数の多様な目的を含む無線ネットワークの動的性質を考慮し、単一DNNが多様な最適化問題を共同で解決するためのマルチタスク学習(MTL)フレームワークを提案する。 本フレームワークでは, 異なる次元値, 目的値, 制約値の最適化問題を, 個別のタスクとして扱う。 これらの課題に共同で対処するために,ルーティングを用いた条件付き計算に基づくMTL手法を提案する。 マルチタスクDNNは2つのコンポーネントから構成されており、ベースDNN(bDNN)は最適化問題すべてに対する解を抽出するために使用される単一のDNNであり、ルーティングDNN(rDNN)は各タスクの前方伝播に使用するbDNNのノードとレイヤを管理する。 rDNNの出力は、前方伝播中に全てのbDNNの重みに乗じて、各タスクのbDNNを通るユニークな計算経路を生成するバイナリベクトルである。 この設定により、タスクはパラメータを共有したり、独立したパラメータを使用することができる。 提案フレームワークは,教師あり学習シナリオと教師なし学習シナリオの両方をサポートする。 計算結果から,多種多様な最適化問題の解法におけるMTL手法の有効性が示された。 対照的に、rDNN機構を欠いたベンチマークDNNは、同様のレベルの性能を達成できず、提案アーキテクチャの有効性を強調した。

関連論文リスト

• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Scalable Resource Management for Dynamic MEC: An Unsupervised Link-Output Graph Neural Network Approach [36.32772317151467]
  ディープラーニングは、タスクオフロードとリソース割り当てを最適化するために、モバイルエッジコンピューティング(MEC)でうまく採用されている。 エッジネットワークのダイナミクスは、低スケーラビリティと高トレーニングコストという、ニューラルネットワーク(NN)ベースの最適化方法における2つの課題を提起する。 本稿では,新たなリンクアウトプットGNN(LOGNN)ベースの資源管理手法を提案し,MECにおける資源割り当てを柔軟に最適化する。
  論文  参考訳（メタデータ） (2023-06-15T08:21:41Z)
• Power Control with QoS Guarantees: A Differentiable Projection-based Unsupervised Learning Framework [14.518558523319518]
  NPハード無線リソース割り当て問題を解決する潜在的なソリューションとして、ディープニューラルネットワーク(DNN)が登場している。 マルチユーザチャネルにおける古典的電力制御問題を解決するために,教師なし学習フレームワークを提案する。 提案手法は,データレートを向上するだけでなく,既存の計算に比べて制約違反の確率をゼロにすることを示す。
  論文  参考訳（メタデータ） (2023-05-31T14:11:51Z)
• Ensuring DNN Solution Feasibility for Optimization Problems with Convex Constraints and Its Application to DC Optimal Power Flow Problems [25.791128241015684]
  ソリューションの実現性を保証することは、予測エラーによる制約付き最適化問題の解決のためのディープニューラルネットワーク(DNN)スキームを開発する上で重要な課題である。 逆不等式制約を伴わない凸や汎用関数の問題に対して, DNN ソリューションを保証するための予防学習フレームワークを提案する。 我々は,グリッド動作における直流最適潮流問題の解法として,DeepOPF+を開発するためのフレームワークを適用した。
  論文  参考訳（メタデータ） (2021-12-15T13:05:59Z)
• RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
  入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。 この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。 ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
  論文  参考訳（メタデータ） (2021-10-27T05:37:12Z)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)
• Evolving Multi-Resolution Pooling CNN for Monaural Singing Voice Separation [40.170868770930774]
  モナウラル歌声分離(MSVS)は難しい課題であり、何十年も研究されてきた。 ディープニューラルネットワーク(Deep Neural Network, DNN)は、MSVSの最先端の手法である。 ニューラルアーキテクチャサーチ(NAS)手法をMSVS用DNNの構造設計に適用する。
  論文  参考訳（メタデータ） (2020-08-03T12:09:42Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)
• BLK-REW: A Unified Block-based DNN Pruning Framework using Reweighted Regularization Method [69.49386965992464]
  本稿では, 汎用的かつ柔軟な構造化プルーニング次元と, 強力かつ効率的な再加重正規化手法を組み合わせたブロック型プルーニングフレームワークを提案する。 我々のフレームワークは普遍的であり、CNNとRNNの両方に適用できる。 リアルタイムモバイルアクセラレーションと精度の妥協のないCNNとRNNの共通カバレッジを実現するのはこれが初めてである。
  論文  参考訳（メタデータ） (2020-01-23T03:30:56Z)

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。