論文の概要: M3Net: A Multi-Metric Mixture of Experts Network Digital Twin with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2512.09797v1
• Date: Wed, 10 Dec 2025 16:12:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.591208
• Title: M3Net: A Multi-Metric Mixture of Experts Network Digital Twin with Graph Neural Networks
• Title（参考訳）: M3Net: グラフニューラルネットワークを用いたエキスパートネットワークディジタルツインのマルチメトリックミックス
• Authors: Blessed Guda, Carlee Joe-Wong,
• Abstract要約: 拡張されたネットワーク状態データから複数のパフォーマンス指標を推定するグラフニューラルネットワークアーキテクチャであるM3Netを導入する。 M3Netは、MAPE (Mean Absolute Percentage Error) を20.06%から17.39%に削減することで、流量遅延予測の精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 18.215893951726166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of 5G/6G network technologies promises to enable applications like autonomous vehicles and virtual reality, resulting in a significant increase in connected devices and necessarily complicating network management. Even worse, these applications often have strict, yet heterogeneous, performance requirements across metrics like latency and reliability. Much recent work has thus focused on developing the ability to predict network performance. However, traditional methods for network modeling, like discrete event simulators and emulation, often fail to balance accuracy and scalability. Network Digital Twins (NDTs), augmented by machine learning, present a viable solution by creating virtual replicas of physical networks for real- time simulation and analysis. State-of-the-art models, however, fall short of full-fledged NDTs, as they often focus only on a single performance metric or simulated network data. We introduce M3Net, a Multi-Metric Mixture-of-experts (MoE) NDT that uses a graph neural network architecture to estimate multiple performance metrics from an expanded set of network state data in a range of scenarios. We show that M3Net significantly enhances the accuracy of flow delay predictions by reducing the MAPE (Mean Absolute Percentage Error) from 20.06% to 17.39%, while also achieving 66.47% and 78.7% accuracy on jitter and packets dropped for each flow
• Abstract（参考訳）: 5G/6Gネットワーク技術の台頭は、自動運転車や仮想現実のようなアプリケーションを可能にすることを約束している。 さらに悪いことに、これらのアプリケーションは、レイテンシや信頼性といったメトリクスにまたがって厳格で不均一なパフォーマンス要件を持つことが多いのです。 そのため、最近の研究はネットワーク性能を予測する能力の開発に重点を置いている。 しかし、離散イベントシミュレータやエミュレーションのような従来のネットワークモデリング手法では、精度とスケーラビリティのバランスが取れないことが多い。 機械学習によって強化されたNetwork Digital Twins (NDT)は、リアルタイムシミュレーションと分析のための物理ネットワークの仮想レプリカを作成することで、実行可能なソリューションを提供する。 しかし、最先端のモデルは、単一のパフォーマンスメトリックやシミュレートされたネットワークデータにのみフォーカスするため、本格的なNDTには欠けています。 我々は、グラフニューラルネットワークアーキテクチャを用いて、拡張されたネットワーク状態データの集合から複数のパフォーマンスメトリクスを推定するM3Net(Multi-Metric Mixture-of-experts (MoE) NDT)を紹介する。 M3Net は,MAPE (Mean Absolute Percentage Error) を 20.06% から 17.39% に削減し,かつ,ジッタの66.47% と78.7% の精度を実現し,流量遅延予測の精度を著しく向上させることを示した。

関連論文リスト

• A Multi-Fidelity Graph U-Net Model for Accelerated Physics Simulations [1.2430809884830318]
  本稿では,GNNモデルの性能向上のための多元性手法の利点を生かした,新しいGNNアーキテクチャであるMulti-Fidelity U-Netを提案する。 提案手法は精度とデータ要求において有意に優れた性能を示すことを示す。 また,提案アーキテクチャの高速バージョンであるMulti-Fidelity U-Net Liteを35%高速化し,精度を2～5%削減した。
  論文  参考訳（メタデータ） (2024-12-19T20:09:38Z)
• Latency-aware Unified Dynamic Networks for Efficient Image Recognition [72.8951331472913]
  LAUDNetは動的ネットワークの理論的および実用的な効率ギャップを橋渡しするフレームワークである。 3つの主要な動的パラダイム - 適応型計算、動的層スキップ、動的チャネルスキップ - を統合している。 これにより、V100,3090やTX2 GPUのようなプラットフォーム上で、ResNetのようなモデルの遅延を50%以上削減できる。
  論文  参考訳（メタデータ） (2023-08-30T10:57:41Z)
• EasyNet: An Easy Network for 3D Industrial Anomaly Detection [49.26348455493123]
  3D異常検出は、産業生産において、新しくて重要なコンピュータビジョンタスクである。 我々は,事前訓練されたモデルやメモリバンクを使わずに,容易に展開可能なネットワーク(EasyNet)を提案する。 実験の結果、EasyNetはトレーニング済みのモデルやメモリバンクを使わずに92.6%の異常検出AUROCを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-07-26T02:46:50Z)
• RouteNet-Fermi: Network Modeling with Graph Neural Networks [7.227467283378366]
  我々は、キューイング理論と同じ目標を共有するカスタムグラフニューラルネットワーク(GNN)モデルであるRouteNet-Fermiを紹介する。 提案モデルでは,ネットワークの遅延,ジッタ,パケット損失を正確に予測する。 実験の結果,RouteNet-Fermi はパケットレベルシミュレータと同様の精度でパケットレベルシミュレータを実現することがわかった。
  論文  参考訳（メタデータ） (2022-12-22T23:02:40Z)
• DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
  本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。 我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
  論文  参考訳（メタデータ） (2021-09-21T09:57:21Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• FADNet: A Fast and Accurate Network for Disparity Estimation [18.05392578461659]
  本研究では,FADNetという分散度推定のための効率的かつ高精度なディープネットワークを提案する。 高速な計算を保存するために、2Dベースの効率的な相関層と積み重ねブロックを利用する。 精度を向上させるために、マルチスケールの重みスケジューリングトレーニング技術を活用するために、マルチスケールの予測を含んでいる。
  論文  参考訳（メタデータ） (2020-03-24T10:27:11Z)

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。