論文の概要: Topology-Aware Graph Reinforcement Learning for Dynamic Routing in Cloud Networks

• arxiv url: http://arxiv.org/abs/2509.04973v1
• Date: Fri, 05 Sep 2025 09:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.557696
• Title: Topology-Aware Graph Reinforcement Learning for Dynamic Routing in Cloud Networks
• Title（参考訳）: クラウドネットワークにおける動的ルーティングのためのトポロジ対応グラフ強化学習
• Authors: Yuxi Wang, Heyao Liu, Guanzi Yao, Nyutian Long, Yue Kang,
• Abstract要約: メソッドは状態表現と構造進化のための統一されたフレームワークを構築する。 動的トポロジの下で、決定の不安定性と構造的認識の不十分な課題に取り組むことを目的としている。 提案手法は, 動的・複雑なクラウドネットワークにおいて, 効率的かつロバストなルーティングを実現する。
• 参考スコア（独自算出の注目度）: 7.718608301354158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a topology-aware graph reinforcement learning approach to address the routing policy optimization problem in cloud server environments. The method builds a unified framework for state representation and structural evolution by integrating a Structure-Aware State Encoding (SASE) module and a Policy-Adaptive Graph Update (PAGU) mechanism. It aims to tackle the challenges of decision instability and insufficient structural awareness under dynamic topologies. The SASE module models node states through multi-layer graph convolution and structural positional embeddings, capturing high-order dependencies in the communication topology and enhancing the expressiveness of state representations. The PAGU module adjusts the graph structure based on policy behavior shifts and reward feedback, enabling adaptive structural updates in dynamic environments. Experiments are conducted on the real-world GEANT topology dataset, where the model is systematically evaluated against several representative baselines in terms of throughput, latency control, and link balance. Additional experiments, including hyperparameter sensitivity, graph sparsity perturbation, and node feature dimensionality variation, further explore the impact of structure modeling and graph updates on model stability and decision quality. Results show that the proposed method outperforms existing graph reinforcement learning models across multiple performance metrics, achieving efficient and robust routing in dynamic and complex cloud networks.
• Abstract（参考訳）: 本稿では,クラウドサーバ環境におけるルーティングポリシ最適化問題に対処するためのトポロジ対応グラフ強化学習手法を提案する。 本手法は,SASE(Structure-Aware State Encoding)モジュールとPAGU(Polication-Adaptive Graph Update)機構を統合することで,状態表現と構造進化のための統一的なフレームワークを構築する。 動的トポロジの下で、決定の不安定性と構造的認識の不十分な課題に取り組むことを目的としている。 SASEモジュールは、多層グラフ畳み込みと構造的位置埋め込みを通してノードをモデル化し、通信トポロジにおける高次依存関係をキャプチャし、状態表現の表現性を高める。 PAGUモジュールは、ポリシーの行動シフトと報酬フィードバックに基づいてグラフ構造を調整し、動的環境における適応的な構造更新を可能にする。 実世界のGEANTトポロジデータセットで実験を行い、スループット、レイテンシ制御、リンクバランスの観点から、モデルをいくつかの代表的なベースラインに対して体系的に評価する。 ハイパーパラメータ感度、グラフ空間摂動、ノード特徴の次元変化などの追加実験は、構造モデリングとグラフ更新がモデルの安定性と決定品質に与える影響をさらに調査する。 提案手法は,複数の性能指標間で既存のグラフ強化学習モデルより優れており,動的かつ複雑なクラウドネットワークにおいて,効率的かつロバストなルーティングを実現する。

関連論文リスト

• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Hierarchical Graph Feature Enhancement with Adaptive Frequency Modulation for Visual Recognition [6.580655899524989]
  畳み込みニューラルネットワーク(CNN)は、視覚認識タスクにおいて強力な性能を示している。 構造認識と特徴表現を両立させるため,CNNにグラフベース推論を統合する新しいフレームワークを提案する。 提案したHGFEモジュールは軽量でエンドツーエンドのトレーニングが可能で、標準のCNNバックボーンネットワークにシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-08-15T14:19:50Z)
• Joint Graph Convolution and Sequential Modeling for Scalable Network Traffic Estimation [11.751952500567388]
  本研究では,複雑なトポロジカル環境におけるネットワークトラフィック予測の課題に焦点を当てた。 グラフ・コンテンポラル・ネットワーク(GCN)とGRU(Gated Recurrent Units)モデリング・アプローチを導入している。 提案モデルの有効性は,実世界のアビリーンネットワークトラフィックデータセットに関する総合的な実験を通じて検証される。
  論文  参考訳（メタデータ） (2025-05-12T15:38:19Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• DG-Mamba: Robust and Efficient Dynamic Graph Structure Learning with Selective State Space Models [16.435352947791923]
  選択状態空間モデル(Mamba)を用いた動的グラフ構造学習フレームワークを提案する。 我々のフレームワークは、敵攻撃に対する最先端のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2024-12-11T07:32:38Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Todyformer: Towards Holistic Dynamic Graph Transformers with Structure-Aware Tokenization [6.799413002613627]
  Todyformerは、動的グラフに適したトランスフォーマーベースのニューラルネットワークである。 メッセージパッシングニューラルネットワーク(MPNN)のローカルエンコーディング能力とトランスフォーマーのグローバルエンコーディング能力を統合する。 Todyformerは、ダウンストリームタスクの最先端メソッドよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-02T23:05:30Z)
• Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
  本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。 RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。 離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-20T04:12:50Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。