論文の概要: Diffusion-Based Solver for CNF Placement on the Cloud-Continuum

• arxiv url: http://arxiv.org/abs/2511.01343v1
• Date: Mon, 03 Nov 2025 08:47:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.180439
• Title: Diffusion-Based Solver for CNF Placement on the Cloud-Continuum
• Title（参考訳）: 雲-連続体上のCNF配置のための拡散型解法
• Authors: Álvaro Vázquez Rodríguez, Manuel Fernández-Veiga, Carlos Giraldo-Rodríguez,
• Abstract要約: CNF配置の拡散確率モデル(DDPM)に基づく新しい理論的枠組みが提案されている。 このモデルは、損失関数に直接制約固有の損失を組み込むことで、実現可能な解空間を学習することができる。 その結果,ネットワーク埋め込み問題に対する拡散型生成モデルの可能性が示された。
• 参考スコア（独自算出の注目度）: 1.529342790344802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The placement of Cloud-Native Network Functions (CNFs) across the Cloud-Continuum represents a core challenge in the orchestration of current 5G and future 6G networks. The process involves the placement of interdependent computing tasks, structured as Service Function Chains, over distributed cloud infrastructures. This is achieved while satisfying strict resource, bandwidth and latency constraints. It is acknowledged that classical approaches, including mixed-integer nonlinear programming, heuristics and reinforcement learning are limited in terms of scalability, constraint handling and generalisation capacity. In the present study, a novel theoretical framework is proposed, which is based on Denoising Diffusion Probabilistic Models (DDPM) for CNF placement. The present approach proposes a reconceptualisation of placement as a generative graph to assignment task, where the placement problem is encoded as a heterogeneous graph, and a Graph Neural Network denoiser is trained to iteratively refine noisy CNF-to-cloud assignment matrices. The model incorporates constraint-specific losses directly into the loss function, thereby allowing it to learn feasible solution spaces. The integration of the DDPM formulation with structured combinatorial constraints is achieved through a rigorous and systematic approach. Extensive evaluations across diverse topologies have been conducted, which have confirmed that the model consistently produces feasible solutions with orders of magnitude faster inference than MINLP solvers. The results obtained demonstrate the potential of diffusion-based generative modelling for constrained network embedding problems, making an impact towards the practical, scalable orchestration of distributed Cloud-Native Network Functions.
• Abstract（参考訳）: Cloud-Native Network Functions(CNF)をCloud-Continuumに配置することは、現在の5Gネットワークと将来の6Gネットワークのオーケストレーションにおける中核的な課題である。 このプロセスには、分散クラウドインフラストラクチャ上に、サービス機能チェーンとして構成された、相互依存型のコンピューティングタスクが配置される。 これは厳格なリソース、帯域幅、レイテンシの制約を満たしながら達成される。 混合整数非線形プログラミング、ヒューリスティックス、強化学習を含む古典的アプローチは、スケーラビリティ、制約ハンドリング、一般化能力の点で制限されていることが認識されている。 本研究では,CNF配置のための拡散確率モデル(DDPM)に基づく新しい理論的枠組みを提案する。 本稿では,代入課題に対する生成グラフとしての配置の再構成を提案し,代入問題をヘテロジニアスグラフとして符号化し,CNF-to-クラウド代入行列を反復的に洗練するグラフニューラルネットワークデノイザを訓練する。 このモデルは、損失関数に直接制約固有の損失を組み込むことで、実現可能な解空間を学習することができる。 DDPMの定式化と構造的組合せ制約の統合は厳密で体系的なアプローチによって達成される。 様々なトポロジにわたる広範囲な評価が実施されており、このモデルがMINLPソルバよりも桁違いに高速な推論が可能な実現可能な解を一貫して生成していることが確認されている。 その結果、制約付きネットワーク埋め込み問題に対する拡散ベース生成モデルの可能性を示し、分散クラウドネイティブネットワーク関数の実用的でスケーラブルなオーケストレーションに影響を与えている。

関連論文リスト

• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。 これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。 本稿では拡散モデルに基づく解生成という,拡散モデル生成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Cons-training Tensor Networks: Embedding and Optimization Over Discrete Linear Constraints [2.8834278113855896]
  我々は,制約行列積状態(MPS)と呼ばれるテンソルネットワークの新たなファミリーを導入する。 MPSは、不等式を含む正確に任意の離散線型制約をスパースブロック構造に組み込む。 これらのネットワークは、特に、可能空間上で厳密にサポートされた分散をモデル化するために調整されている。
  論文  参考訳（メタデータ） (2024-05-15T00:13:18Z)
• Deep Neural Network for Constraint Acquisition through Tailored Loss Function [0.0]
  データから制約を学習することの重要性は、実世界の問題解決における潜在的な応用によって裏付けられている。 この研究は、シンボリック回帰に基づくディープニューラルネットワーク(DNN)に基づく新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2024-03-04T13:47:33Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
  我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。 制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。 私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
  論文  参考訳（メタデータ） (2023-06-15T08:33:52Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい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拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)

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。