論文の概要: Energy-Efficient Dynamic Training and Inference for GNN-Based Network Modeling
- arxiv url: http://arxiv.org/abs/2503.18706v1
- Date: Mon, 24 Mar 2025 14:17:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:37:22.731608
- Title: Energy-Efficient Dynamic Training and Inference for GNN-Based Network Modeling
- Title(参考訳): GNNに基づくネットワークモデリングのためのエネルギー効率の良い動的トレーニングと推論
- Authors: Chetna Singhal, Yassine Hadjadj-Aoul,
- Abstract要約: 本稿では,文脈認識型ネットワークモデリングと予測のためのモデルトレーニングと推論フレームワークを提案する。
我々は、多くの計算ノードを持つマルチアプリケーションシステムを表現するために、三部グラフモデルを利用する。
本稿では、QAOを用いた制約付きグラフカットを適用し、GNNベースモデルの実現可能なエネルギー効率構成を見つけ、利用可能な計算ノードに配置し、ネットワークモデリングアプリケーション要求を満たす。
- 参考スコア(独自算出の注目度): 5.049057348282933
- License:
- Abstract: Efficient network modeling is essential for resource optimization and network planning in next-generation large-scale complex networks. Traditional approaches, such as queuing theory-based modeling and packet-based simulators, can be inefficient due to the assumption made and the computational expense, respectively. To address these challenges, we propose an innovative energy-efficient dynamic orchestration of Graph Neural Networks (GNN) based model training and inference framework for context-aware network modeling and predictions. We have developed a low-complexity solution framework, QAG, that is a Quantum approximation optimization (QAO) algorithm for Adaptive orchestration of GNN-based network modeling. We leverage the tripartite graph model to represent a multi-application system with many compute nodes. Thereafter, we apply the constrained graph-cutting using QAO to find the feasible energy-efficient configurations of the GNN-based model and deploying them on the available compute nodes to meet the network modeling application requirements. The proposed QAG scheme closely matches the optimum and offers atleast a 50% energy saving while meeting the application requirements with 60% lower churn-rate.
- Abstract(参考訳): 次世代大規模ネットワークにおける資源最適化とネットワーク計画には,効率的なネットワークモデリングが不可欠である。
キューイング理論に基づくモデリングやパケットベースのシミュレータといった従来の手法は、それぞれ仮定と計算コストのために効率が悪い。
これらの課題に対処するため,我々は,文脈認識型ネットワークモデリングと予測のためのモデルトレーニングと推論フレームワークとして,グラフニューラルネットワーク(GNN)を用いた革新的なエネルギー効率の動的オーケストレーションを提案する。
我々は,GNNに基づくネットワークモデリングの適応的オーケストレーションのための量子近似最適化(QAO)アルゴリズムであるQAGを開発した。
我々は、多くの計算ノードを持つマルチアプリケーションシステムを表現するために、三部グラフモデルを利用する。
その後、ネットワークモデリングアプリケーション要件を満たすために、GNNベースのモデルの実現可能なエネルギー効率構成を見つけ、利用可能な計算ノードにデプロイするために、QAOを用いた制約付きグラフカットを適用した。
提案したQAG方式は最適値と密接に一致し,アプリケーション要件を60%低いチャーンレートで満たしながら,最大50%の省エネを提供する。
関連論文リスト
- An Attempt to Devise a Pairwise Ising-Type Maximum Entropy Model Integrated Cost Function for Optimizing SNN Deployment [0.0]
スパイキングニューラルネットワーク(SNN)デプロイメントプロセスでは、ニューラルネットワークをニューロモルフィックハードウェア内の処理ユニットに分割することが多い。
最適配置方式を見つけることはNPハード問題である。
これらの目的には、ニューロンの活動パターンによって形成されるネットワークダイナミクスを考慮する必要がある。
本手法は,ハードウェアに依存しないネットワークダイナミクスに着目し,特定のハードウェア構成とは独立してモデル化できる。
論文 参考訳(メタデータ) (2024-07-09T16:33:43Z) - Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2024-03-21T02:33:37Z) - Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。
実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文 参考訳(メタデータ) (2023-11-05T12:03:58Z) - Pontryagin Optimal Control via Neural Networks [19.546571122359534]
我々は,ニューラルネットワークをポントリャーギンの最大原理(PMP)と統合し,NN-PMP-Gradient の効率的なフレームワークを提案する。
結果として生じるコントローラは、未知の複雑な力学を持つシステムに実装することができる。
モデルフリーおよびモデルベース強化学習(RL)アルゴリズムと比較して, NN-PMP-Gradientは, 制御目的の観点から高いサンプル効率と性能を実現する。
論文 参考訳(メタデータ) (2022-12-30T06:47:03Z) - Vertical Layering of Quantized Neural Networks for Heterogeneous
Inference [57.42762335081385]
量子化モデル全体を1つのモデルにカプセル化するための,ニューラルネットワーク重みの新しい垂直層表現について検討する。
理論的には、1つのモデルのトレーニングとメンテナンスのみを必要としながら、オンデマンドサービスの正確なネットワークを達成できます。
論文 参考訳(メタデータ) (2022-12-10T15:57:38Z) - Evaluating Distribution System Reliability with Hyperstructures Graph
Convolutional Nets [74.51865676466056]
本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。
数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
論文 参考訳(メタデータ) (2022-11-14T01:29:09Z) - Graph-based Algorithm Unfolding for Energy-aware Power Allocation in
Wireless Networks [27.600081147252155]
我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。
無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。
結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
論文 参考訳(メタデータ) (2022-01-27T20:23:24Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳(メタデータ) (2021-01-02T15:21:08Z) - Optimizing Large-Scale Fleet Management on a Road Network using
Multi-Agent Deep Reinforcement Learning with Graph Neural Network [0.8702432681310401]
本稿では,マルチエージェント強化学習とグラフニューラルネットワークを組み合わせることで,艦隊管理を最適化する新しい手法を提案する。
本研究では,実証タクシー呼出データをエミュレートした現実的なシミュレータを設計し,提案モデルの有効性を種々の条件で検証する。
論文 参考訳(メタデータ) (2020-11-12T03:01:37Z) - Deep learning architectures for inference of AC-OPF solutions [0.4061135251278187]
本稿では、AC-OPFソリューションの推論のためのニューラルネットワーク(NN)アーキテクチャの体系的比較について述べる。
本稿では,グラフ領域における電力網の抽象表現を構築することにより,モデルにおけるネットワークトポロジの活用の有効性を示す。
論文 参考訳(メタデータ) (2020-11-06T13:33:18Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳(メタデータ) (2020-06-26T14:20:48Z)
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。