論文の概要: TANGCO: Learning Topology-Aware Capacity Allocation for Overload-driven Cascading Failures

• arxiv url: http://arxiv.org/abs/2608.13212v1
• Date: Thu, 13 Aug 2026 13:16:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.536829
• Title: TANGCO: Learning Topology-Aware Capacity Allocation for Overload-driven Cascading Failures
• Title（参考訳）: TANGCO: オーバーロード駆動のカスケード障害に対するトポロジ対応能力割り当ての学習
• Abstract要約: ネットワークシステムは、限られた容量でノード間で負荷を運ぶ。 負荷がキャパシティを超えるノードは障害を起こし、その負荷を隣のノードに流し込み、システム全体のカスケードを起動する。 本研究では,これらのカスケードに抵抗するノード間の固定容量予算を局所的な負荷再分配の下で割り当てる方法について検討する。
• 参考スコア（独自算出の注目度）: 21.253230413700795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Networked systems, from power grids to traffic networks and cloud clusters, carry loads across nodes with limited capacity. A node whose load exceeds its capacity fails and sheds its load onto its neighbors, which can trigger a system-wide cascade. We study how to allocate a fixed capacity budget across nodes to resist these cascades under local load redistribution. The problem is difficult because no optimal allocation is known, and the fail-or-survive objective is non-differentiable and piecewise constant, so exact and gradient-based optimization methods do not directly apply. We introduce TANGCO (Topology-Aware Neural Graph-Guided Capacity Optimization), which uses a graph neural network policy trained through the cascade simulator with policy-gradient learning and a heuristic anchor. We evaluate TANGCO on five synthetic graph families and five real networks spanning power, road, air, and Internet topologies. The learned policy improves on the best of four hand-designed heuristics in all 450 synthetic instances and in 40 of 45 real-network conditions, with robustness gains ranging from 1.6% to 246%. The learned policies transfer to unseen graphs within a family and partially across related topologies, and TANGCO$^{pre}$, pre-trained on synthetic graphs, matches per-network training on unseen real networks. Training scales near-linearly with graph size, and TANGCO$^{pre}$ allocates on a new network with no per-target training, matching the deployment cost of a hand-designed heuristic. Free-vector variants without the GNN, stay close to the heuristics, so the graph representation carries the gain beyond numerical search. Finally, analysis of the learned allocations identifies when local risk is sufficient, leads to an improved closed-form heuristic, and reveals the regimes where a topology-aware learned policy remains necessary.
• Abstract（参考訳）: 電力グリッドからトラフィックネットワーク、クラウドクラスタに至るまで、ネットワークシステムは、限られた容量のノード間で負荷を運ぶ。 負荷がキャパシティを超えるノードは障害を起こし、その負荷を隣のノードに流し込み、システム全体のカスケードを起動する。 本研究では,これらのカスケードに抵抗するノード間の固定容量予算を局所的な負荷再分配の下で割り当てる方法について検討する。 最適な割り当てが分かっておらず、フェイル・オー・サバイブの目的が微分不可能で、断片的定数であるため、厳密かつ勾配に基づく最適化手法が直接適用されないため、問題は難しい。 本稿では,TANGCO(Topology-Aware Neural Graph-Guided Capacity Optimization)を紹介した。 我々は、TANGCOを5つの合成グラフファミリと5つの実ネットワークで評価し、電力、道路、空気、インターネットトポロジを網羅した。 学習されたポリシーは、450のすべての合成インスタンスで4つの手設計のヒューリスティック、45の実ネットワーク条件のうち40の領域で改善され、堅牢性は1.6%から246%まで向上した。 学習されたポリシーは、家族内および関連するトポロジを部分的に横断する未確認グラフに移行し、TANGCO$^{pre}$は合成グラフで事前訓練され、未確認の実際のネットワーク上でのネットワーク毎のトレーニングと一致します。 トレーニングはグラフサイズとほぼ直線的にスケールし、TANGCO$^{pre}$はターゲットごとのトレーニングのない新しいネットワークに割り当てられる。 GNNのない自由ベクトル変種はヒューリスティックに近づき、グラフ表現は数値探索以上の利益をもたらす。 最後に、学習したアロケーションの分析は、局所的なリスクが十分であるかどうかを特定し、改善されたクローズドフォームヒューリスティックをもたらし、トポロジを意識した学習ポリシーが依然として必要である体制を明らかにする。

関連論文リスト

• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• Graph Signal Diffusion Models for Wireless Resource Allocation [74.84410305593006]
  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。
  論文  参考訳（メタデータ） (2026-04-06T21:12:25Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  無線ネットワークにおける自己回帰的マルコフ音源のリアルタイムサンプリングと推定について検討する。 政策最適化のためのグラフィカル強化学習フレームワークを提案する。 理論的には、提案したポリシーは転送可能であり、あるグラフ上で訓練されたポリシーを構造的に類似したグラフに効果的に適用することができる。
  論文  参考訳（メタデータ） (2026-01-19T02:18:45Z)
• Learning-aided Bigraph Matching Approach to Multi-Crew Restoration of Damaged Power Networks Coupled with Road Transportation Networks [5.161483150219612]
  破壊後のクリティカルインフラストラクチャネットワーク(CIN)のレジリエンスは、復旧の速度と、運用機能の回復の程度に依存する。 復旧のための資源配分は、どの乗組員が特定のネットワークノードをどの順序で修理するかを決定することを含む最適な計画問題である。 本稿では、乗組員と輸送ノードと電力グリッドノードの2つの相互接続グラフを1つのヘテロジニアスグラフにマージするグラフベースの新しい定式化を提案する。
  論文  参考訳（メタデータ） (2025-06-24T15:12:45Z)
• 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)
• Contrastive Adaptive Propagation Graph Neural Networks for Efficient Graph Learning [65.08818785032719]
  グラフネットワーク(GNN)は、構造認識特徴の抽出と伝播によってグラフデータの処理に成功している。 近年,地域と高階の双方からなる拡張された隣人を直接扱えるように,近隣住民に焦点を絞った局所的伝播計画から拡張的伝播計画へと発展してきた。 優れた性能にもかかわらず、既存のアプローチは、局所的および高次隣人の影響を適応的に調整できる効率的で学習可能な拡張伝搬スキームを構築するのにはまだ不十分である。
  論文  参考訳（メタデータ） (2021-12-02T10:35:33Z)
• Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
  汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。 提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
  論文  参考訳（メタデータ） (2021-11-03T12:14:56Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Optimizing Large-Scale Fleet Management on a Road Network using Multi-Agent Deep Reinforcement Learning with Graph Neural Network [0.8702432681310401]
  本稿では,マルチエージェント強化学習とグラフニューラルネットワークを組み合わせることで,艦隊管理を最適化する新しい手法を提案する。 本研究では,実証タクシー呼出データをエミュレートした現実的なシミュレータを設計し,提案モデルの有効性を種々の条件で検証する。
  論文  参考訳（メタデータ） (2020-11-12T03:01:37Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。