論文の概要: Graph Neural Networks for Resource Allocation in Multi-Channel Wireless Networks

• arxiv url: http://arxiv.org/abs/2506.03813v1
• Date: Wed, 04 Jun 2025 10:34:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.288281
• Title: Graph Neural Networks for Resource Allocation in Multi-Channel Wireless Networks
• Title（参考訳）: マルチチャネル無線ネットワークにおける資源配分のためのグラフニューラルネットワーク
• Authors: Lili Chen, Changyang She, Jingge Zhu, Jamie Evans,
• Abstract要約: マルチチャネル無線ネットワークにおけるJCPA問題を解決するために,拡張WMMSEアルゴリズムを提案する。 次に、各ユーザに対して同時マルチチャネルアロケーションを可能にするグラフニューラルネットワークベースのソリューションであるJCPGNN-Mを紹介する。 JCPGNN-M は eWMMSE と比較してデータレートが良いことを示す。
• 参考スコア（独自算出の注目度）: 15.680699077140453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the number of mobile devices continues to grow, interference has become a major bottleneck in improving data rates in wireless networks. Efficient joint channel and power allocation (JCPA) is crucial for managing interference. In this paper, we first propose an enhanced WMMSE (eWMMSE) algorithm to solve the JCPA problem in multi-channel wireless networks. To reduce the computational complexity of iterative optimization, we further introduce JCPGNN-M, a graph neural network-based solution that enables simultaneous multi-channel allocation for each user. We reformulate the problem as a Lagrangian function, which allows us to enforce the total power constraints systematically. Our solution involves combining this Lagrangian framework with GNNs and iteratively updating the Lagrange multipliers and resource allocation scheme. Unlike existing GNN-based methods that limit each user to a single channel, JCPGNN-M supports efficient spectrum reuse and scales well in dense network scenarios. Simulation results show that JCPGNN-M achieves better data rate compared to eWMMSE. Meanwhile, the inference time of JCPGNN-M is much lower than eWMMS, and it can generalize well to larger networks.
• Abstract（参考訳）: モバイルデバイスの数が増加するにつれ、干渉は無線ネットワークのデータレート向上の大きなボトルネックとなっている。 干渉の管理には、効率的なジョイントチャネルとパワーアロケーション(JCPA)が不可欠である。 本稿では,マルチチャネル無線ネットワークにおけるJCPA問題を解決するため,まず,拡張WMMSE(eWMMSE)アルゴリズムを提案する。 さらに,反復最適化の計算複雑性を低減するために,各ユーザに対して同時マルチチャネル割り当てを可能にするグラフニューラルネットワークベースのソリューションであるJCPGNN-Mを導入する。 問題をラグランジアン関数として再構成することで、全電力制約を体系的に強制することができる。 我々のソリューションは、このLagrangianフレームワークをGNNと組み合わせることと、Lagrange乗算器とリソース割り当てスキームを反復的に更新することである。 ユーザをひとつのチャネルに制限する既存のGNNベースの方法とは異なり、JCPGNN-Mは効率的なスペクトル再利用をサポートし、ネットワークの密集したシナリオでうまくスケールする。 シミュレーションの結果,JCPGNN-M は eWMMSE と比較してデータレートがよいことがわかった。 一方、JCPGNN-M の推論時間は eWMMS よりもはるかに低く、より大きなネットワークに対してよく一般化できる。

関連論文リスト

• GNN-Based Joint Channel and Power Allocation in Heterogeneous Wireless Networks [9.031738020845586]
  本稿では、異種無線ネットワークにおける共同資源配分問題に対処するGNNに基づくアルゴリズムを提案する。 提案アルゴリズムは,従来の最適化アルゴリズムと比較して高い計算効率で良好な性能を実現する。
  論文  参考訳（メタデータ） (2024-07-28T04:51:00Z)
• SINR-Aware Deep Reinforcement Learning for Distributed Dynamic Channel Allocation in Cognitive Interference Networks [10.514231683620517]
  本稿では,複数の大規模ネットワークによるキャリヤ間干渉(ICI)とチャネル再利用を経験する実世界のシステムに焦点を当てる。 CARLTON(Channel Allocation RL To Overlapped Networks)と呼ばれる分散DCAのための新しいマルチエージェント強化学習フレームワークを提案する。 本結果は,従来の最先端手法に比べて優れた効率性を示し,優れた性能とロバストな一般化を示した。
  論文  参考訳（メタデータ） (2024-02-17T20:03:02Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• 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)
• Graph Neural Networks-Based User Pairing in Wireless Communication Systems [0.34410212782758043]
  ユーザペアリング問題を効率的に解くために,教師なしグラフニューラルネットワーク(GNN)アプローチを提案する。 提案手法は20dBのSNRにおいて,k平均よりも49%,SUSより95%高い総和率を達成する。
  論文  参考訳（メタデータ） (2023-05-14T11:57:42Z)
• Flex-Net: A Graph Neural Network Approach to Resource Management in Flexible Duplex Networks [11.89735327420275]
  本研究では,静的時間スケジューリングを伴わないフレキシブルネットワークの総和率について検討する。 NPハードな無線リソース管理問題におけるグラフネットワーク(GNN)の最近の成功により、我々はFlex-Netという新しいGNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-01-20T12:49:21Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Efficient power allocation using graph neural networks and deep algorithm unfolding [40.78748956518785]
  単一ホップアドホック無線ネットワークにおける最適電力配分の問題について検討する。 アルゴリズム重み付き最小二乗誤差(WMMSE)の展開に着想を得たハイブリッドニューラルネットワークアーキテクチャを提案する。 UWMMSEはWMMSEに匹敵する堅牢性を達成し,計算複雑性を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-11-18T05:28:24Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)
• Channel Assignment in Uplink Wireless Communication using Machine Learning Approach [54.012791474906514]
  本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。 我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。 計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
  論文  参考訳（メタデータ） (2020-01-12T15:54:20Z)

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。