論文の概要: MUST: Multi-Scale Structural-Temporal Link Prediction Model for UAV Ad Hoc Networks

• arxiv url: http://arxiv.org/abs/2505.09331v1
• Date: Wed, 14 May 2025 12:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.450875
• Title: MUST: Multi-Scale Structural-Temporal Link Prediction Model for UAV Ad Hoc Networks
• Title（参考訳）: MUST:UAVアドホックネットワークのためのマルチスケール構造時間リンク予測モデル
• Authors: Cunlai Pu, Fangrui Wu, Rajput Ramiz Sharafat, Guangzhao Dai, Xiangbo Shu,
• Abstract要約: 無人航空機(UAV)アドホックネットワーク(UANET)におけるリンク予測は,将来のUAV間のリンクの形成を予測することを目的としている。 UAVのルート情報が利用できない敵の環境では、将来のリンクはUANETの観測された歴史的トポロジ情報にのみ依存しなければならない。 UANETのためのマルチスケール構造時間リンク予測モデル(MUST)を提案する。
• 参考スコア（独自算出の注目度）: 14.111475464877563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction in unmanned aerial vehicle (UAV) ad hoc networks (UANETs) aims to predict the potential formation of future links between UAVs. In adversarial environments where the route information of UAVs is unavailable, predicting future links must rely solely on the observed historical topological information of UANETs. However, the highly dynamic and sparse nature of UANET topologies presents substantial challenges in effectively capturing meaningful structural and temporal patterns for accurate link prediction. Most existing link prediction methods focus on temporal dynamics at a single structural scale while neglecting the effects of sparsity, resulting in insufficient information capture and limited applicability to UANETs. In this paper, we propose a multi-scale structural-temporal link prediction model (MUST) for UANETs. Specifically, we first employ graph attention networks (GATs) to capture structural features at multiple levels, including the individual UAV level, the UAV community level, and the overall network level. Then, we use long short-term memory (LSTM) networks to learn the temporal dynamics of these multi-scale structural features. Additionally, we address the impact of sparsity by introducing a sophisticated loss function during model optimization. We validate the performance of MUST using several UANET datasets generated through simulations. Extensive experimental results demonstrate that MUST achieves state-of-the-art link prediction performance in highly dynamic and sparse UANETs.
• Abstract（参考訳）: 無人航空機(UAV)アドホックネットワーク(UANET)におけるリンク予測は,将来のUAV間のリンクの形成を予測することを目的としている。 UAVのルート情報が利用できない敵の環境では、将来のリンクはUANETの観測された歴史的トポロジ情報にのみ依存しなければならない。 しかし、UANETトポロジの非常にダイナミックでスパースな性質は、正確なリンク予測のために意味のある構造的パターンと時間的パターンを効果的に捉える上で大きな課題を提起している。 既存のリンク予測手法の多くは、空間性の影響を無視しながら、単一構造スケールでの時間的ダイナミクスに焦点を当てており、結果として情報キャプチャが不十分で、UANETへの適用性が限られている。 本稿では,UANETのマルチスケール構造時間リンク予測モデル(MUST)を提案する。 具体的には、まず、個々のUAVレベル、UAVコミュニティレベル、ネットワーク全体のレベルを含む、複数のレベルの構造的特徴をキャプチャするために、グラフアテンションネットワーク(GAT)を使用します。 そして、長寿命メモリ(LSTM)ネットワークを用いて、これらのマルチスケール構造の特徴の時間的ダイナミクスを学習する。 さらに、モデル最適化時に洗練された損失関数を導入することで、疎結合の影響に対処する。 シミュレーションにより生成された複数のUANETデータセットを用いてMUSTの性能を検証する。 MUSTは高度に動的で疎結合なUANETにおいて,最先端のリンク予測性能を実現することを実証した。

関連論文リスト

• Predictive Covert Communication Against Multi-UAV Surveillance Using Graph Koopman Autoencoder [27.178522837149053]
  低確率検出(LPD)通信は、無線周波数(RF)信号の存在を隠蔽し、監視を回避することを目的としている。 UAVの将来の位置を正確に予測することは、リアルタイムのLPD通信を可能にするために不可欠である。 マルチUAV監視下での地上アドホックネットワークにおける検出可能性の最小化を目的とした,予測被覆通信と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-25T16:02:45Z)
• Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks [1.9389881806157312]
  本稿では,時間ネットワークの表現を学習するための自己教師付き手法を提案する。 本稿では、時間的ネットワークの時間的参照経路を介して情報の流れをモデル化するための、繰り返しメッセージパッシングニューラルネットワークアーキテクチャを提案する。 提案手法は、Enron、COLAB、Facebookのデータセットでテストされる。
  論文  参考訳（メタデータ） (2024-08-22T22:50:46Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
  時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。 マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。 実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
  論文  参考訳（メタデータ） (2023-08-14T23:34:59Z)
• STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence Traffic Speed Forecasting [8.596556653895028]
  本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。 注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
  論文  参考訳（メタデータ） (2022-10-01T05:58:22Z)
• STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
  短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。 本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。 本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
  論文  参考訳（メタデータ） (2022-02-10T13:18:11Z)
• Distributed CNN Inference on Resource-Constrained UAVs for Surveillance Systems: Design and Optimization [43.9909417652678]
  無人航空機(UAV)は、広い地域をカバーし、困難で危険な目標地域にアクセスする能力のため、ここ数年で大きな関心を集めている。 コンピュータビジョンと機械学習の進歩により、UAVは幅広いソリューションやアプリケーションに採用されている。 ディープニューラルネットワーク(DNN)は、それらがオンボードで実行されるのを防ぐ、より深く複雑なモデルに向かって進んでいる。
  論文  参考訳（メタデータ） (2021-05-23T20:19:43Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Privacy-Preserving Federated Learning for UAV-Enabled Networks: Learning-Based Joint Scheduling and Resource Management [45.15174235000158]
  無人航空機(UAV)は、データ収集、人工知能(AI)モデルトレーニング、無線通信をサポートする飛行基地局(BS)として機能する。 モデルトレーニングのためにUAVサーバにデバイスの生データを送信するのは現実的ではない。 本稿では,マルチUAV対応ネットワークのための非同期フェデレーション学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-11-28T18:58:34Z)
• TSAM: Temporal Link Prediction in Directed Networks based on Self-Attention Mechanism [2.5144068869465994]
  本稿では,グラフニューラルネットワーク(GCN)と自己認識機構,すなわちTSAMに基づくディープラーニングモデルを提案する。 我々は,TSAMの有効性を検証するために,4つの現実的ネットワーク上で比較実験を行った。
  論文  参考訳（メタデータ） (2020-08-23T11:56:40Z)

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。