論文の概要: A Graph Foundation Model for Wireless Resource Allocation

• arxiv url: http://arxiv.org/abs/2604.07390v1
• Date: Wed, 08 Apr 2026 06:07:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.439684
• Title: A Graph Foundation Model for Wireless Resource Allocation
• Title（参考訳）: 無線リソース配置のためのグラフ基礎モデル
• Authors: Yucheng Sheng, Jiacheng Wang, Le Liang, Hao Ye, Shi Jin,
• Abstract要約: 本稿では、事前学習および微調整のパラダイムに基づく資源配分のためのグラフ基盤モデルを提案し、統一表現を抽出する。 具体的には、干渉トポロジをグローバルアテンション機構に注入するバイアスプロジェクタを備えた干渉対応トランスフォーマーアーキテクチャを提案する。 実験により,提案するフレームワークは,モデルキャパシティを向上して,最先端のパフォーマンスを実現し,効果的にスケールできることが示されている。
• 参考スコア（独自算出の注目度）: 37.503398874234094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The aggressive densification of modern wireless networks necessitates judicious resource allocation to mitigate severe mutual interference. However, classical iterative algorithms remain computationally prohibitive for real-time applications requiring rapid responsiveness. While recent deep learning-based methods show promise, they typically function as task-specific solvers lacking the flexibility to adapt to different objectives and scenarios without expensive retraining. To address these limitations, we propose a graph foundation model for resource allocation (GFM-RA) based on a pre-training and fine-tuning paradigm to extract unified representations, thereby enabling rapid adaptation to different objectives and scenarios. Specifically, we introduce an interference-aware Transformer architecture with a bias projector that injects interference topologies into global attention mechanisms. Furthermore, we develop a hybrid self-supervised pre-training strategy that synergizes masked edge prediction with negative-free Teacher-Student contrastive learning, enabling the model to capture transferable structural representations from massive unlabeled datasets. Extensive experiments demonstrate that the proposed framework achieves state-of-the-art performance and scales effectively with increased model capacity. Crucially, leveraging its unified representations, the foundation model exhibits exceptional sample efficiency, enabling robust few-shot adaptation to diverse and unsupervised downstream objectives in out-of-distribution (OOD) scenarios. These results demonstrate the promise of pre-trained foundation models for adaptable wireless resource allocation and provide a strong foundation for future research on generalizable learning-based wireless optimization.
• Abstract（参考訳）: 現代の無線ネットワークのアグレッシブ・デンシフィケーションは、厳しい相互干渉を軽減するために、司法資源割り当てを必要とする。 しかし、古典的反復アルゴリズムは、迅速な応答性を必要とするリアルタイムアプリケーションでは計算的に禁じられている。 最近のディープラーニングベースの手法は将来性を示すが、それらは通常、高価な再トレーニングなしで異なる目的やシナリオに適応する柔軟性に欠けるタスク固有の解決器として機能する。 これらの制約に対処するために,事前学習および微調整のパラダイムに基づく資源配分のためのグラフ基礎モデルを提案し,異なる目的やシナリオに迅速に適応できるようにする。 具体的には、干渉トポロジをグローバルアテンション機構に注入するバイアスプロジェクタを備えた干渉対応トランスフォーマーアーキテクチャを提案する。 さらに,マスク付きエッジ予測と負の非負の教師・学生のコントラスト学習を相乗化するハイブリッド型自己教師型事前学習戦略を開発し,大規模なラベル付きデータセットから伝達可能な構造表現を抽出する。 大規模な実験により,提案するフレームワークは,モデルキャパシティを向上して,最先端の性能とスケールを効果的に達成できることを示した。 重要なことに、その統一表現を活用して、ファンデーションモデルは例外的なサンプル効率を示し、アウト・オブ・ディストリビューション(OOD)のシナリオにおいて、多様で教師なしの下流の目的に頑健な少数のショット適応を可能にする。 これらの結果は、適応可能な無線リソース割り当てのための事前訓練された基礎モデルの実現と、一般化可能な学習ベースの無線最適化に関する将来の研究のための強力な基礎を提供するものである。

関連論文リスト

• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• Domain-Decomposed Graph Neural Network Surrogate Modeling for Ice Sheets [34.15484094708584]
  我々は、非構造化メッシュ上で直接動作する物理インスパイアされたグラフニューラルネットワーク(GNN)サロゲートを開発した。 我々は、速度をまたいだ微調整モデルへの転送学習を採用し、トレーニングを加速し、データ制限設定の精度を向上させる。 以上の結果から,グラフベースのDDとトランスファーラーニングを組み合わせることで,大規模PDEシステム上でGNNサロゲートをトレーニングするための,スケーラブルで信頼性の高い経路が提供されることがわかった。
  論文  参考訳（メタデータ） (2025-12-01T17:10:09Z)
• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• Efficient Conditional Generation on Scale-based Visual Autoregressive Models [26.81493253536486]
  効率的な制御モデル(英語: Efficient Control Model、ECM)は、分散アーキテクチャを介して制御信号を導入する軽量制御モジュールを備えたプラグイン・アンド・プレイフレームワークである。 ECMは、リアルタイムに生成されたトークンと、その限られた容量の利用を最大化するために設計された共有フィードフォワードネットワーク(FFN)を用いて、条件付き機能を洗練する。 提案手法は,既存のベースラインを越えつつ,トレーニングと推論の効率を大幅に向上させるとともに,画像生成に対する高忠実かつ多様な制御を実現する。
  論文  参考訳（メタデータ） (2025-10-07T06:27:03Z)
• A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
  多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。 大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-07-08T12:37:55Z)
• Explainability and Continual Learning meet Federated Learning at the Network Edge [4.348225679878919]
  ネットワークエッジにおける分散学習において,無線で相互接続するエッジデバイスで発生する新たな最適化問題について議論する。 具体的には,多目的最適化(MOO)を用いて,予測精度と説明可能性のトレードオフに対処する方法について論じる。 また,木をベースとしたモデルを分散学習環境に統合することの意義についても論じる。
  論文  参考訳（メタデータ） (2025-04-11T13:45:55Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Contextual Classification Using Self-Supervised Auxiliary Models for Deep Neural Networks [6.585049648605185]
  自己監督型自動学習(SSAL)モデルの概念を紹介します。 SSALの目的は、元の教師付き分類タスクから派生した1つ以上の追加目標によって実現される。 SSALモデルは、より解釈しやすい構造化された予測を提供しながら、常に最先端を上回ります。
  論文  参考訳（メタデータ） (2021-01-07T18:41:16Z)

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。