論文の概要: Knowledge-Guided Machine Learning for Stabilizing Near-Shortest Path Routing

• arxiv url: http://arxiv.org/abs/2509.06640v1
• Date: Mon, 08 Sep 2025 12:56:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.138169
• Title: Knowledge-Guided Machine Learning for Stabilizing Near-Shortest Path Routing
• Title（参考訳）: 近距離経路ルーティングの安定化のための知識誘導型機械学習
• Authors: Yung-Fu Chen, Sen Lin, Anish Arora,
• Abstract要約: 本稿では,局所的なルーティングポリシーを学習するために,単一のグラフからデータサンプルを少数必要とするような単純なアルゴリズムを提案する。 GreedyTensileルーティングと呼ばれる新しいポリシーを学びます。 本稿では,Greedy Tensileルーティングの実行時の説明可能性と超低レイテンシ動作について述べる。
• 参考スコア（独自算出の注目度）: 3.595536209220219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a simple algorithm that needs only a few data samples from a single graph for learning local routing policies that generalize across a rich class of geometric random graphs in Euclidean metric spaces. We thus solve the all-pairs near-shortest path problem by training deep neural networks (DNNs) that let each graph node efficiently and scalably route (i.e., forward) packets by considering only the node's state and the state of the neighboring nodes. Our algorithm design exploits network domain knowledge in the selection of input features and design of the policy function for learning an approximately optimal policy. Domain knowledge also provides theoretical assurance that the choice of a ``seed graph'' and its node data sampling suffices for generalizable learning. Remarkably, one of these DNNs we train -- using distance-to-destination as the only input feature -- learns a policy that exactly matches the well-known Greedy Forwarding policy, which forwards packets to the neighbor with the shortest distance to the destination. We also learn a new policy, which we call GreedyTensile routing -- using both distance-to-destination and node stretch as the input features -- that almost always outperforms greedy forwarding. We demonstrate the explainability and ultra-low latency run-time operation of Greedy Tensile routing by symbolically interpreting its DNN in low-complexity terms of two linear actions.
• Abstract（参考訳）: ユークリッド計量空間における幾何学的ランダムグラフの豊富なクラスにまたがる局所的なルーティングポリシーを学習するために,1つのグラフからデータサンプルをわずかに集める単純なアルゴリズムを提案する。 そこで我々は,各グラフノードがノードの状態と隣接ノードの状態のみを考慮し,効率的に(前方)パケットを共有可能なディープニューラルネットワーク(DNN)を訓練することにより,全ペアのニアショートパス問題を解決する。 提案アルゴリズムは,入力特徴の選択やポリシ関数の設計において,ネットワーク領域の知識を活用して,ほぼ最適なポリシを学習する。 ドメイン知識はまた、'seed graph'' の選択とそのノードデータサンプリングが一般化可能な学習に十分であることを理論的に保証する。 注目すべきは、トレーニングしているこれらのDNNの1つ -- 唯一の入力機能として距離から目的地までの使用 -- は、よく知られたGreedy Forwardingポリシーと正確に一致するポリシーを学習することです。 また、GreedyTensileルーティング(入力機能としての距離とノードストレッチの両方を使って)と呼ばれる新しいポリシーを学びます。 本稿では,2つの線形動作の低複雑さ条件でDNNを象徴的に解釈することにより,Greedy Tensileルーティングの説明可能性と超低レイテンシ実行時動作を示す。

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)
• Learning State-Augmented Policies for Information Routing in Communication Networks [84.76186111434818]
  我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。 教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。 実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-30T04:34:25Z)
• Learning from A Single Graph is All You Need for Near-Shortest Path Routing in Wireless Networks [8.22181379329857]
  無線ネットワークの標準モデルにおいて,任意のランダムグラフに一般化しながら,単一のグラフから得られるデータサンプルを数個だけ必要とするような局所ルーティングポリシーの学習アルゴリズムを提案する。 そこで我々はディープニューラルネットワーク(DNN)を訓練し、局所的なルーティングポリシーを効率的に学習することで、全ペアに近い経路問題を解決する。
  論文  参考訳（メタデータ） (2023-08-18T21:35:45Z)
• Learning to Identify Graphs from Node Trajectories in Multi-Robot Networks [15.36505600407192]
  本稿では,グローバル収束保証付きグラフトポロジを効率的に発見する学習ベースアプローチを提案する。 マルチロボット生成および群れ処理におけるグラフの同定におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-10T07:09:12Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)

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。