論文の概要: Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks (Journal Version)

• arxiv url: http://arxiv.org/abs/2509.05447v1
• Date: Fri, 05 Sep 2025 18:59:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.514184
• Title: Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks (Journal Version)
• Title（参考訳）: グラフニューラルネットワークを用いたスケーラブルスケジューリングのための分散リンクスカラー化(日報)
• Authors: Zhongyuan Zhao, Gunjan Verma, Ananthram Swami, Santiago Segarra,
• Abstract要約: 密接な接続を特徴とする無線ネットワークでは、分散リンクスケジューリングアルゴリズムによって発生する重要な信号のオーバーヘッドは、混雑、エネルギー消費、無線フットプリント拡張といった問題を悪化させる可能性がある。 ネットワーク容量を維持しながら遅延耐性トラフィックのスケジューリングオーバーヘッドを低減するために,グラフニューラルネットワーク(GNN)を用いた分散リンクスカラー化方式を提案する。 GNNモジュールは、トラフィック統計とネットワークトポロジに基づいて、個々のリンクに対する競合しきい値を調整するように訓練されており、成功しそうもない場合には、リンクがスケジュール競合から撤退することを可能にする。
• 参考スコア（独自算出の注目度）: 50.894272363373126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In wireless networks characterized by dense connectivity, the significant signaling overhead generated by distributed link scheduling algorithms can exacerbate issues like congestion, energy consumption, and radio footprint expansion. To mitigate these challenges, we propose a distributed link sparsification scheme employing graph neural networks (GNNs) to reduce scheduling overhead for delay-tolerant traffic while maintaining network capacity. A GNN module is trained to adjust contention thresholds for individual links based on traffic statistics and network topology, enabling links to withdraw from scheduling contention when they are unlikely to succeed. Our approach is facilitated by a novel offline constrained {unsupervised} learning algorithm capable of balancing two competing objectives: minimizing scheduling overhead while ensuring that total utility meets the required level. In simulated wireless multi-hop networks with up to 500 links, our link sparsification technique effectively alleviates network congestion and reduces radio footprints across four distinct distributed link scheduling protocols.
• Abstract（参考訳）: 密接な接続を特徴とする無線ネットワークでは、分散リンクスケジューリングアルゴリズムによって発生する重要な信号のオーバーヘッドは、混雑、エネルギー消費、無線フットプリント拡張といった問題を悪化させる可能性がある。 これらの課題を軽減するため,ネットワーク容量を維持しながら遅延耐性トラフィックのスケジューリングオーバーヘッドを低減するため,グラフニューラルネットワーク(GNN)を用いた分散リンクスペーシフィケーション方式を提案する。 GNNモジュールは、トラフィック統計とネットワークトポロジに基づいて、個々のリンクに対する競合しきい値を調整するように訓練されており、成功しそうもない場合には、リンクがスケジュール競合から撤退することを可能にする。 提案手法は,スケジューリングオーバーヘッドの最小化と,全ユーティリティが要求レベルを満たすことを保証するという,2つの競合する目標のバランスをとる,新しいオフライン制約付き非教師付き学習アルゴリズムによって実現されている。 最大500リンクの無線マルチホップネットワークでは,ネットワークの混雑を効果的に軽減し,4つの異なるリンクスケジューリングプロトコル間の無線フットプリントを削減する。

関連論文リスト

• Opportunistic Routing in Wireless Communications via Learnable State-Augmented Policies [7.512221808783587]
  本稿では,大規模無線通信ネットワークにおけるパケットベースの情報ルーティングの課題に対処する。 機会的ルーティングは、無線通信の放送特性を利用して、最適な転送ノードを動的に選択する。 ネットワーク内のソースノードが処理する全情報の最大化を目的とした,状態拡張(SA)に基づく分散最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-05T18:44:56Z)
• NetDiff: Deep Graph Denoising Diffusion for Ad Hoc Network Topology Generation [1.6768151308423371]
  本稿では,無線アドホックネットワークリンクトポロジを生成する拡散確率的アーキテクチャを記述したグラフであるNetDiffを紹介する。 この結果から,生成したリンクは現実的であり,データセットグラフに類似した構造的特性を有しており,操作するには小さな修正と検証ステップのみが必要であることがわかった。
  論文  参考訳（メタデータ） (2024-10-09T15:39:49Z)
• Congestion-aware Distributed Task Offloading in Wireless Multi-hop Networks Using Graph Neural Networks [33.79834562046449]
  既存のオフロード方式は主にモバイルデバイスとサーバに焦点を当て、複数のモバイルデバイスからのタスクによるネットワークの混雑を無視する。 本稿では,グラフベース機械学習を用いて分散グリードフレームワークを増強し,分散タスクオフロード方式を提案する。 提案手法は,コンテキストに依存しないベースライン下での混雑や不安定な待ち行列の低減に有効であるとともに,ローカルコンピューティングによる実行遅延の改善にも有効である。
  論文  参考訳（メタデータ） (2023-12-05T03:46:30Z)
• Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks [37.84368235950714]
  グラフ畳み込みネットワーク(GCN)を用いたリンクスペーシフィケーションのための分散スキームを提案する。 中規模の無線ネットワークにおいて,提案するスパーススケジューラは,フレディなスケジューラによって達成される総容量の70%近くを保持し,しきい値に基づくスケジューラポリシーを破る。
  論文  参考訳（メタデータ） (2022-03-27T16:02:12Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• 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)
• Distributed Scheduling using Graph Neural Networks [38.74504118887024]
  無線ネットワークの設計における根本的な問題は、送信を分散的に効率的にスケジュールすることである。 グラフ畳み込みネットワーク(GCN)に基づく分散MWISソルバを提案する。 簡単に言えば、トレーニング可能なGCNモジュールは、greedyソルバを呼び出す前に、ネットワーク重みと結合されたトポロジ対応ノードの埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-11-18T18:00:45Z)
• 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)
• 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)

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。