論文の概要: Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression

• arxiv url: http://arxiv.org/abs/2506.18748v1
• Date: Mon, 23 Jun 2025 15:20:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:37.053437
• Title: Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression
• Title（参考訳）: 2変数回帰を用いた無線リソース割り当てのための高速状態拡張学習
• Authors: Yigit Berkay Uslu, Navid NaderiAlizadeh, Mark Eisen, Alejandro Ribeiro,
• Abstract要約: 本稿では,資源割当ポリシに対する状態拡張グラフニューラルネットワーク(GNN)のパラメトリゼーションが,ユビキタスな二段階的手法の欠点を回避する方法を示す。 ラグランジアンによる国家拡張政策の最大化は、オフライントレーニングフェーズ中に学習される。 収束結果と指数確率は、双対函数(有限値)最適性ギャップの剰余に縛られることを証明する。
• 参考スコア（独自算出の注目度）: 83.27791109672927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider resource allocation problems in multi-user wireless networks, where the goal is to optimize a network-wide utility function subject to constraints on the ergodic average performance of users. We demonstrate how a state-augmented graph neural network (GNN) parametrization for the resource allocation policy circumvents the drawbacks of the ubiquitous dual subgradient methods by representing the network configurations (or states) as graphs and viewing dual variables as dynamic inputs to the model, viewed as graph signals supported over the graphs. Lagrangian maximizing state-augmented policies are learned during the offline training phase, and the dual variables evolve through gradient updates while executing the learned state-augmented policies during the inference phase. Our main contributions are to illustrate how near-optimal initialization of dual multipliers for faster inference can be accomplished with dual variable regression, leveraging a secondary GNN parametrization, and how maximization of the Lagrangian over the multipliers sampled from the dual descent dynamics substantially improves the training of state-augmented models. We demonstrate the superior performance of the proposed algorithm with extensive numerical experiments in a case study of transmit power control. Finally, we prove a convergence result and an exponential probability bound on the excursions of the dual function (iterate) optimality gaps.
• Abstract（参考訳）: マルチユーザ無線ネットワークにおけるリソース割り当ての問題について考察し,その目的は,ユーザのエルゴード平均性能に制約を受けるネットワーク全体のユーティリティ機能を最適化することである。 資源割当ポリシに対する状態拡張グラフニューラルネットワーク(GNN)のパラメトリゼーションは、ネットワーク構成(または状態)をグラフとして表現し、二重変数をモデルへの動的入力として見ることにより、ユビキタスな二段階的手法の欠点を回避し、グラフ上でサポートされているグラフ信号と見なす。 ラグランジアン最大化状態拡張ポリシーは、オフライントレーニングフェーズ中に学習され、二重変数は、推論フェーズ中に学習状態拡張ポリシーを実行しながら、勾配更新を通じて進化する。 我々の主な貢献は、二次的なGNNパラメトリゼーションを利用して、より高速な推論のための双対乗算器の最適初期化が双対変数回帰によってどのように達成されるか、また、双対降下力学からサンプリングされた乗算器に対するラグランジアンの最大化が、状態拡張モデルのトレーニングを大幅に改善するかを説明することである。 本稿では,送信電力制御のケーススタディにおいて,広範囲な数値実験による提案アルゴリズムの優れた性能を示す。 最後に、収束結果と指数確率が双対函数(等式)最適性ギャップの剰余に束縛されていることを証明する。

関連論文リスト

• Generative Diffusion Models for Resource Allocation in Wireless Networks [77.36145730415045]
  我々は、専門家を模倣し、最適な分布から新しいサンプルを生成するポリシーを訓練する。 生成したサンプルの逐次実行により,ほぼ最適性能を実現する。 本稿では,マルチユーザ干渉ネットワークにおける電力制御のケーススタディとして数値的な結果を示す。
  論文  参考訳（メタデータ） (2025-04-28T21:44:31Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Designing Heterogeneous GNNs with Desired Permutation Properties for Wireless Resource Allocation [11.66835230109271]
  グラフニューラルネットワーク(GNN)は、さまざまな無線ポリシを学ぶために設計されている。 本稿では,所望の置換特性を満たすための設計手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T08:02:54Z)
• 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)
• Joint User Association and Power Allocation in Heterogeneous Ultra Dense Network via Semi-Supervised Representation Learning [22.725452912879376]
  HUDN(Heterogeneous Ultra-Dense Network)は、高接続密度と超高データレートを実現する。 本稿では,統合ユーザアソシエーションと電力制御問題を解決するための新しいアイデアを提案する。 グラフニューラルネットワーク(GNN)を訓練し、半教師付き学習を用いてこの表現関数にアプローチします。
  論文  参考訳（メタデータ） (2021-03-29T06:39:51Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。