論文の概要: Graph Signal Diffusion Models for Wireless Resource Allocation

• arxiv url: http://arxiv.org/abs/2604.05175v1
• Date: Mon, 06 Apr 2026 21:12:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.494106
• Title: Graph Signal Diffusion Models for Wireless Resource Allocation
• Title（参考訳）: 無線リソース割り当てのためのグラフ信号拡散モデル
• Authors: Yigit Berkay Uslu, Samar Hadou, Shirin Saeedi Bidokhti, Alejandro Ribeiro,
• Abstract要約: グラフ構造干渉を用いた無線ネットワークにおける制約付きエルゴディック資源最適化について検討する。 生成した電力割り当ての時間的共有は、ほぼ最適のエルゴディック・サムレートユーティリティとほぼ実現可能なエルゴディック・ミニマルレートを実現する。
• 参考スコア（独自算出の注目度）: 74.84410305593006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider constrained ergodic resource optimization in wireless networks with graph-structured interference. We train a diffusion model policy to match expert conditional distributions over resource allocations. By leveraging a primal-dual (expert) algorithm, we generate primal iterates that serve as draws from the corresponding expert conditionals for each training network instance. We view the allocations as stochastic graph signals supported on known channel state graphs. We implement the diffusion model architecture as a U-Net hierarchy of graph neural network (GNN) blocks, conditioned on the channel states and additional node states. At inference, the learned generative model amortizes the iterative expert policy by directly sampling allocation vectors from the near-optimal conditional distributions. In a power-control case study, we show that time-sharing the generated power allocations achieves near-optimal ergodic sum-rate utility and near-feasible ergodic minimum-rates, with strong generalization and transferability across network states.
• Abstract（参考訳）: グラフ構造干渉を用いた無線ネットワークにおける制約付きエルゴディック資源最適化について検討する。 我々は,資源配分よりも専門条件分布に適合する拡散モデルポリシーを訓練する。 初等二項(エキスパート)アルゴリズムを利用することで、トレーニングネットワークの各インスタンスの対応する専門家条件から引き出されたドローとして機能する予備的繰り返しを生成する。 我々は、アロケーションを既知のチャネル状態グラフでサポートされている確率グラフ信号とみなす。 グラフニューラルネットワーク(GNN)ブロックのU-Net階層として拡散モデルアーキテクチャを実装し、チャネル状態と追加ノード状態に条件付けする。 推定において、学習された生成モデルは、最適に近い条件分布から直接割り当てベクトルをサンプリングすることにより、反復的専門家ポリシーを補正する。 電力制御ケーススタディでは、生成した電力割り当ての時間的共有が、ネットワーク状態間の強い一般化と転送性を備えた、ほぼ最適エルゴディックな総和レートユーティリティとほぼ実現可能なエルゴディックな最小レートを実現することを示す。

関連論文リスト

• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression [83.27791109672927]
  本稿では,資源割当ポリシに対する状態拡張グラフニューラルネットワーク(GNN)のパラメトリゼーションが,ユビキタスな二段階的手法の欠点を回避する方法を示す。 ラグランジアンによる国家拡張政策の最大化は、オフライントレーニングフェーズ中に学習される。 収束結果と指数確率は、双対函数(有限値)最適性ギャップの剰余に縛られることを証明する。
  論文  参考訳（メタデータ） (2025-06-23T15:20:58Z)
• Generative Diffusion Models for Resource Allocation in Wireless Networks [74.84410305593006]
  我々は、専門家を模倣し、最適な分布から新しいサンプルを生成するポリシーを訓練する。 生成したサンプルの逐次実行により,ほぼ最適性能を実現する。 電力制御のケーススタディにおいて数値的な結果を示す。
  論文  参考訳（メタデータ） (2025-04-28T21:44:31Z)
• Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
  我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。 無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。 結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-01-27T20:23:24Z)

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。