論文の概要: MILAAP: Mobile Link Allocation via Attention-based Prediction

• arxiv url: http://arxiv.org/abs/2506.19947v1
• Date: Tue, 24 Jun 2025 18:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.508955
• Title: MILAAP: Mobile Link Allocation via Attention-based Prediction
• Title（参考訳）: MILAAP: 注意に基づく予測によるモバイルリンク割り当て
• Authors: Yung-Fu Chen, Anish Arora,
• Abstract要約: ネットワークノード間のスペクトル,空間,時間依存性の機械学習モデルに対するMiLAAPアテンションに基づく予測フレームワークを提案する。 ローカルCSシーケンスを用いた動的ネットワークの場合,MILAAPのチャネル状態予測精度はノードの移動パターンによって著しく100%であることを示す。
• 参考スコア（独自算出の注目度）: 0.8069562780455508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel hopping (CS) communication systems must adapt to interference changes in the wireless network and to node mobility for maintaining throughput efficiency. Optimal scheduling requires up-to-date network state information (i.e., of channel occupancy) to select non-overlapping channels for links in interference regions. However, state sharing among nodes introduces significant communication overhead, especially as network size or node mobility scale, thereby decreasing throughput efficiency of already capacity-limited networks. In this paper, we eschew state sharing while adapting the CS schedule based on a learning-based channel occupancy prediction. We propose the MiLAAP attention-based prediction framework for machine learning models of spectral, spatial, and temporal dependencies among network nodes. MiLAAP uses a self-attention mechanism that lets each node capture the temporospectral CS pattern in its interference region and accordingly predict the channel occupancy state within that region. Notably, the prediction relies only on locally and passively observed channel activities, and thus introduces no communication overhead. To deal with node mobility, MiLAAP also uses a multi-head self-attention mechanism that lets each node locally capture the spatiotemporal dependencies on other network nodes that can interfere with it and accordingly predict the motion trajectory of those nodes. Detecting nodes that enter or move outside the interference region is used to further improve the prediction accuracy of channel occupancy. We show that for dynamic networks that use local CS sequences to support relatively long-lived flow traffics, the channel state prediction accuracy of MiLAAP is remarkably ~100% across different node mobility patterns and it achieves zero-shot generalizability across different periods of CS sequences.
• Abstract（参考訳）: チャネルホッピング(CS)通信システムは、スループット効率を維持するために、無線ネットワークの干渉変化とノードモビリティに適応する必要がある。 最適なスケジューリングには、干渉領域におけるリンクのための非重複チャネルを選択するために、最新のネットワーク状態情報(すなわちチャネル占有率)が必要である。 しかし、ノード間の状態共有は、特にネットワークサイズやノードモビリティスケールなどの通信オーバーヘッドを著しく増加させ、既に容量制限されているネットワークのスループット効率を低下させる。 本稿では,学習に基づくチャネル占有予測に基づいて,CSスケジュールを適応させながら状態共有を行う。 ネットワークノード間のスペクトル,空間,時間依存性の機械学習モデルに対するMiLAAPアテンションに基づく予測フレームワークを提案する。 MiLAAPは自己認識機構を使用して、各ノードが干渉領域の時間スペクトルCSパターンを捕捉し、それに従ってその領域内のチャネル占有状態を予測する。 特に、この予測は局部的および受動的に観察されるチャネルアクティビティにのみ依存するため、通信オーバーヘッドは発生しない。 ノードの移動性に対処するため、MILAAPはマルチヘッドの自己注意機構も使用しており、各ノードが他のネットワークノードの時空間的依存関係を局所的にキャプチャして干渉し、それらのノードの運動軌跡を予測することができる。 干渉領域外への進入または移動するノードの検出は、チャネル占有率の予測精度をさらに向上するために用いられる。 比較的長期間のフロートラフィックをサポートするためにローカルCSシーケンスを使用する動的ネットワークの場合、MiLAAPのチャネル状態予測精度は、異なるノードモビリティパターン間で著しく100%であり、CSシーケンスの異なる期間にわたってゼロショットの一般化を実現する。

関連論文リスト

• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Decentralized Learning over Wireless Networks: The Effect of Broadcast with Random Access [56.91063444859008]
  本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。 この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-12T10:32:26Z)
• Link Prediction for Flow-Driven Spatial Networks [12.492339838065575]
  この研究は、ユークリッド空間に埋め込まれた流れ駆動型空間ネットワークのリンク予測に焦点を当てる。 本稿では,GAV(Graph Attentive Vectors)リンク予測フレームワークを提案する。 GAVモデルは、注意深い近辺対応メッセージパッシングパラダイムを用いて、空間ネットワークにおける物理フローのダイナミクスを単純化した。 我々は,全脳血管グラフと道路網によって与えられる8つの流れ駆動型空間ネットワーク上でのGAVを評価する。
  論文  参考訳（メタデータ） (2023-03-25T15:42:27Z)
• Cross-network transferable neural models for WLAN interference estimation [8.519313977400735]
  本稿では,ロバストネスにおける干渉推定の原理的アプローチを採用する。 まず、実データを使って影響する要因を識別し、関連する一連の合成ワークロードを導出します。 当然のことながら、Graph Conalvolution Networks(GCNs)が全体的なパフォーマンスで最高のものになっている。
  論文  参考訳（メタデータ） (2022-11-25T11:01:43Z)
• Non-Coherent Over-the-Air Decentralized Gradient Descent [0.0]
  無線システムにおける分散グラディエントDescentの実装は、ノイズ、フェーディング、帯域幅の制限により困難である。 本稿では,スケジューリング,トポロジ情報,CSIの必要性を解消するスケーラブルなDGDアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-19T19:15:34Z)
• MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for Traffic Speed Forecasting [3.614768552081925]
  交通速度予測のためのマルチ適応時空間フローグラフニューラルネットワーク(MAF-GNN)を提案する。 MAF-GNNは、トラフィックノード間の複数の遅延空間依存性をキャプチャする、効果的なマルチアダプティブ・アジャシエイト・マトリクス機構を導入している。 パブリックトラフィックネットワークの2つの実世界のデータセットであるMETR-LAとPeMS-Bayでは、他のモデルよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-08-08T09:06:43Z)
• Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
  本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。 本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-30T10:05:35Z)

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。