論文の概要: Low-Latency Relay Selection in NR-V2X Vehicular Communications via Graph Isomorphism Networks with Edge Features
- arxiv url: http://arxiv.org/abs/2607.14176v1
- Date: Wed, 15 Jul 2026 12:50:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.852614
- Title: Low-Latency Relay Selection in NR-V2X Vehicular Communications via Graph Isomorphism Networks with Edge Features
- Title（参考訳）: エッジ特徴を有するグラフ同型ネットワークを用いたNR-V2Xベクトル通信における低遅延リレー選択
- Abstract要約: 本稿では,リアルタイムリレー選択のためのエッジ・アウェア・ラーニング・ツー・オプティマイズ・フレームワークを提案する。
オフラインMILPオラクルは、エッジ特徴を持つグラフ同型ネットワークを監督する最適なリレー構成を生成する。
OSM-SUMO-GEMV$2$パイプラインを通じて生成された大規模なデータセットの実験は、GINEがリンクレベルでMILP決定と密接に一致していることを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reliable, low-latency uplink connectivity is a key requirement for C-V2X networks in dense urban environments, where fast channel variations and blockages often degrade direct vehicle-to-infrastructure links. Multi-hop relaying can restore coverage, but relay-link activation under radio, capacity, and routing constraints results in an NP-hard optimisation problem, typically solved via Mixed-Integer Linear Programming (MILP), whose runtime scales poorly with graph size. This paper introduces an edge-aware Learning-to-Optimise framework for real-time relay selection. Each V2X snapshot is modelled as a directed graph: node features encode vehicle state and traffic demand, while edge features capture radio-link capacity. An offline MILP oracle generates optimal relay configurations that supervise a Graph Isomorphism Network with Edge Features (GINE), enabling edge-level relay activation through a single forward pass, with tightly bounded inference latency. To bridge learning and exact optimisation, we also propose a hybrid GINE-Pruned MILP (GP-MILP) strategy in which GINE predictions prune the MILP search space. Experiments on a large-scale dataset generated via an OSM-SUMO-GEMV$^2$ pipeline show that GINE closely matches MILP decisions at the link level (accuracy 0.9589), F1-score (0.9544) on validation) and yields consistent end-to-end connectivity gains over a 1-hop MILP baseline (up to 9.2% with four RSUs and 12% with two RSUs). Inference latency remains tightly bounded, with all evaluated instances completing within 5~ms. Moreover, GP-MILP preserves MILP-equivalent solutions (same objective value) while achieving solver runtimes below 30~ms for more than 98%) of the graph instances, making MILP-grade optimisation compatible with stringent NR-V2X latency budgets.
- Abstract（参考訳）: 信頼性が高く低遅延のアップリンク接続は、都市環境におけるC-V2Xネットワークの鍵となる要件であり、高速チャネルのばらつきとブロックはしばしば車両とインフラの直接リンクを劣化させる。
マルチホップ中継はカバレッジを復元するが、無線、キャパシティ、ルーティングの制約の下でのリレーリンクのアクティベーションはNPハード最適化の問題となり、一般的にはMILP(Mixed-Integer Linear Programming)によって解決される。
本稿では,リアルタイムリレー選択のためのエッジ・アウェア・ラーニング・ツー・オプティマイズ・フレームワークを提案する。
ノードは車両の状態とトラフィックの需要を符号化し、エッジ機能は無線リンク容量をキャプチャする。
オフラインMILPオラクルは、エッジ特徴付きグラフ同型ネットワーク(GINE)を監督する最適なリレー構成を生成する。
GINE-Pruned MILP (GP-MILP) 戦略も提案する。
OSM-SUMO-GEMV$^2$パイプラインで生成された大規模なデータセットの実験によると、GINEはリンクレベルでMILP決定と密に一致し(精度0.9589、F1スコア0.9544)、1ホップMILPベースライン上で一貫したエンドツーエンド接続性(最大9.2%、RSU4つで12%)が得られる。
推論のレイテンシは厳密な境界を保ち、評価されたすべてのインスタンスは5～m秒以内で完了する。
さらに、GP-MILPは、グラフインスタンスの30〜ms未満のソルバランタイムを実現しつつ、MILP等価ソリューション(目的値と同じ)を保存し、厳格なNR-V2Xレイテンシ予算とMILPグレードの最適化を両立させる。
関連論文リスト
- AI-Driven Multi-Hop Relay Selection for Smart Urban NR-V2X Networks via Learning-to-Optimize Graph Neural Networks [0.0]
グラフニューラルネットワーク(GNN)に基づくリアルタイムNR-V2Xリレー選択のためのフレームワークを提案する。
統合SUMO-GEMV2シミュレーションパイプラインによって生成された大規模都市データセットの実験により,提案手法がMILPオラクルと同等の接続性を実現することを示す。
このフレームワークは、既存の車両資産を活用し、スマートシティ環境でスケーラブルでリアルタイムなNR-V2X操作をサポートすることにより、都市V2X接続の費用対効果を高めることができる。
論文 参考訳（メタデータ） (2026-07-15T20:15:28Z) - Reconfigurable Computing Challenge: Real-Time Graph Neural Networks for Online Event Selection in Big Science [0.4054399764907913]
本研究は、AMD Versal VCK190上でのベルII電磁量計ハードウェアトリガのための動的グラフニューラルネットワークのリアルタイム展開のためのエンドツーエンド実証実験である。
我々は,演算子融合,分割,マッピング,空間並列化,カーネルレベルの最適化を含むPythonベースの半自動設計フローを開発した。
私たちの設計では、エンドツーエンドのレイテンシ7.15マイクロ秒で、毎秒2.94万イベントのスループットを実現しています。
論文 参考訳（メタデータ） (2026-05-11T14:10:06Z) - Vision-Language Models on the Edge for Real-Time Robotic Perception [0.22940141855172028]
6G内のエッジインテリジェンス、特にOpen RANとMulti- Access Edge Computingは、これらの課題に対処するための経路を提供する。
本研究は,Unitree G1ヒューマノイドロボットを具現化したテストベッドとして,ORAN/MECインフラストラクチャ上でのビジョンランゲージモデルの展開について検討する。
その結果,エッジデプロイメントはクラウドに近い精度を保ちながら,エンドツーエンドのレイテンシを5%削減できることがわかった。
論文 参考訳（メタデータ） (2026-01-21T12:09:48Z) - Provably Optimal Quantum Circuits with Mixed-Integer Programming [0.0]
量子回路コンパイルのための奥行き対応最適化フレームワークを提案する。
対象ユニタリの正確な合成のために、線形大域的同値性を持つ混合整数線形プログラム(MILP)を定式化する。
正確なMILPを超越したスケーリングを実現するために,本研究では,主に時間とともに回転し,アクティブキュービットをカプセル化し,キュービット当たりのクロージャを強制する,新しい圧延回路最適化(RHO)を提案する。
論文 参考訳（メタデータ） (2025-10-01T08:25:43Z) - CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。
CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。
トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
論文 参考訳（メタデータ） (2025-09-24T07:54:01Z) - Learning Optimal Linear Precoding for Cell-Free Massive MIMO with GNN [15.271970287767164]
実用的なシステムで要求される1～2ミリ秒の時間予算で計算できるグラフニューラルネットワーク(GNN)を開発した。
本稿では,AP と UE の数が異なる様々なシナリオにおいて,ほぼ最適なスペクトル効率を実現することを示す。
論文 参考訳（メタデータ） (2024-06-06T19:29:33Z) - Hybrid-Task Meta-Learning: A GNN Approach for Scalable and Transferable Bandwidth Allocation [50.96751567777229]
ユーザ数に応じてスケーラブルで,異なる通信シナリオに転送可能な,ディープラーニングベースの帯域割り当てポリシを開発する。
スケーラビリティをサポートするために、帯域割り当てポリシーはグラフニューラルネットワーク(GNN)によって表現される。
我々は,GNNの初期パラメータを異なる通信シナリオで学習するハイブリッドタスクメタ学習(HML)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-23T04:25:12Z) - Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。
本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。
提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
論文 参考訳（メタデータ） (2023-05-15T22:04:49Z) - 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) - JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。
GP-UCBに類似した条件下では, 応答が得られないことを示す。
実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
論文 参考訳（メタデータ） (2021-06-02T05:03:38Z) - MicroNet: Towards Image Recognition with Extremely Low FLOPs [117.96848315180407]
MicroNetは計算コストの極めて低い効率的な畳み込みニューラルネットワークである。
MicroNetのファミリは、低いFLOP体制における最先端技術よりも大きなパフォーマンス向上を実現している。
例えば、MicroNet-M1は12のMFLOPを持つImageNet分類において61.1%のトップ-1の精度を達成し、MobileNetV3を11.3%上回っている。
論文 参考訳（メタデータ） (2020-11-24T18:59:39Z)
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。