論文の概要: Resource Allocation in Hybrid Radio-Optical IoT Networks using GNN with Multi-task Learning

• arxiv url: http://arxiv.org/abs/2511.07428v1
• Date: Wed, 29 Oct 2025 15:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-16 06:38:31.047634
• Title: Resource Allocation in Hybrid Radio-Optical IoT Networks using GNN with Multi-task Learning
• Title（参考訳）: マルチタスク学習を用いたGNNを用いたハイブリッド無線光IoTネットワークにおけるリソース割り当て
• Authors: Aymen Hamrouni, Sofie Pollin, Hazem Sallouha,
• Abstract要約: 本稿では,光ニューラルOWCと電波周波数(RF)を統合したハイブリッドモノのインターネット(IoT)ネットワークにおけるデュアルテクノロジースケジューリングの問題に対処する。 本稿では,2段階グラフ埋め込みとトランスフォーマー(DGET)フレームワークを組み合わせた教師付きマルチタスク学習アーキテクチャを提案する。 提案フレームワークは、90%以上の分類精度で最適に近いスケジューリングを実現し、計算複雑性を低減し、部分的なチャネルオブザーバビリティの下で高いロバスト性を示す。
• 参考スコア（独自算出の注目度）: 11.833896722352568
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper addresses the problem of dual-technology scheduling in hybrid Internet of Things (IoT) networks that integrate Optical Wireless Communication (OWC) alongside Radio Frequency (RF). We begin by formulating a Mixed-Integer Nonlinear Programming (MINLP) model that jointly considers throughput maximization and delay minimization between access points and IoT nodes under energy and link availability constraints. However, given the intractability of solving such NP-hard problems at scale and the impractical assumption of full channel observability, we propose the Dual-Graph Embedding with Transformer (DGET) framework, a supervised multi-task learning architecture combining a two-stage Graph Neural Networks (GNNs) with a Transformer-based encoder. The first stage employs a transductive GNN that encodes the known graph topology and initial node and link states. The second stage introduces an inductive GNN for temporal refinement, which learns to generalize these embeddings to the evolved states of the same network, capturing changes in energy and queue dynamics over time, by aligning them with ground-truth scheduling decisions through a consistency loss. These enriched embeddings are then processed by a classifier for the communication links with a Transformer encoder that captures cross-link dependencies through multi-head self-attention via classification loss. Simulation results show that hybrid RF-OWC networks outperform standalone RF systems by handling higher traffic loads more efficiently and reducing the Age of Information (AoI) by up to 20%, all while maintaining comparable energy consumption. The proposed DGET framework, compared to traditional optimization-based methods, achieves near-optimal scheduling with over 90% classification accuracy, reduces computational complexity, and demonstrates higher robustness under partial channel observability.
• Abstract（参考訳）: 本稿では,光無線通信(OWC)と無線周波数(RF)を統合したハイブリッドIoT(Internet of Things)ネットワークにおけるデュアルテクノロジースケジューリングの問題に対処する。 我々は、エネルギーおよびリンク可用性制約の下で、アクセスポイントとIoTノード間のスループットの最大化と遅延の最小化を共同で検討する混合整数非線形プログラミング(MINLP)モデルを定式化することから始める。 しかし,大規模なNPハード問題を解くことの難しさや,フルチャネルオブザーバビリティの非現実的な仮定を踏まえ,2段階のグラフニューラルネットワーク(GNN)とトランスフォーマーベースのエンコーダを組み合わせた教師付きマルチタスク学習アーキテクチャであるDGET(Dual-Graph Embedding with Transformer)フレームワークを提案する。 最初の段階では、既知のグラフトポロジと初期ノードとリンク状態をエンコードするトランスダクティブGNNを採用している。 第2段階では、時間的改善のための誘導型GNNを導入し、これらの埋め込みを同じネットワークの進化した状態に一般化し、時間とともにエネルギーと待ち行列のダイナミクスの変化を捉え、整合性損失による地道的なスケジューリング決定と整合させることで、それらを整合化する。 これらのリッチな埋め込みは、Transformerエンコーダとの通信リンクのための分類器によって処理され、分類損失を通じてマルチヘッドの自己アテンションを通じてクロスリンクの依存関係をキャプチャする。 シミュレーションの結果,ハイブリッドRF-OWCネットワークは,高いトラフィック負荷を効率よく処理し,情報化時代(AoI)を最大20%削減し,エネルギー消費を抑えながら,スタンドアローンのRFシステムよりも優れていた。 提案したDGETフレームワークは,従来の最適化手法と比較して,90%以上の分類精度で最適に近いスケジューリングを実現し,計算複雑性を低減し,部分的なチャネルオブザーバビリティの下で高いロバスト性を示す。

関連論文リスト

• Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks (Journal Version) [50.894272363373126]
  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。
  論文  参考訳（メタデータ） (2025-09-05T18:59:14Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• Multi-Flow Transmission in Wireless Interference Networks: A Convergent Graph Learning Approach [9.852567834643292]
  ネットワークデータ信号の2段階干渉対応マルチフロー最適化(DIAMOND)という新しいアルゴリズムを提案する。 集中型ステージは、グラフニューラルネットワーク(GNN)強化学習(RL)ルーティングエージェントの新しい設計を用いて、マルチフロー伝送戦略を計算する。 そして、分散学習更新の新しい設計に基づいて、分散ステージにより性能が向上する。
  論文  参考訳（メタデータ） (2023-03-27T18:49:47Z)
• ENGNN: A General Edge-Update Empowered GNN Architecture for Radio Resource Management in Wireless Networks [29.23937571816269]
  鍵となる課題は、無線リソースをビームフォーミングとパワーアロケーションによって効率的に管理することである。 本稿では,GNNがノード変数とエッジ変数の両方を扱えるように,エッジ更新機構を提案する。 提案手法は平均和率が高いが,最先端の手法よりもはるかに短い時間で計算できる。
  論文  参考訳（メタデータ） (2022-12-14T14:04:25Z)
• 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)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Scalable Power Control/Beamforming in Heterogeneous Wireless Networks with Graph Neural Networks [6.631773993784724]
  そこで本研究では,HIGNN(heterogeneous Interference Graphural Network)という,教師なし学習に基づく新しいフレームワークを提案する。 HIGNNは、小型ネットワークで訓練された後、堅牢なパフォーマンスで拡大するサイズのワイヤレスネットワークにスケーラブルです。
  論文  参考訳（メタデータ） (2021-04-12T13:36:32Z)

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。