論文の概要: Congruence Decomposition with Neural Block Solvers for Large-Scale PCI Assignment

• arxiv url: http://arxiv.org/abs/2608.21485v1
• Date: Fri, 21 Aug 2026 12:08:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.908918
• Title: Congruence Decomposition with Neural Block Solvers for Large-Scale PCI Assignment
• Title（参考訳）: 大規模PCIアサインメントのためのニューラルブロック解を用いた合同分解
• Abstract要約: 5Gネットワークにおける干渉管理には物理セルアイデンティティーの割り当てが不可欠である。 大規模PCI代入のためのニューラルブロックソルバを用いた合同分解フレームワークを提案する。 合成セルグラフと実世界の5Gネットワークの実験により,提案手法は既存のモジュラー干渉ベースラインよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 43.4438977596482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical Cell Identity (PCI) assignment is essential for interference management in dense 5G networks. As cellular networks scale, PCI reuse becomes unavoidable, which may cause collisions, confusions, and multiple forms of modular interference. Jointly mitigating these effects gives rise to a large-scale, multi-objective combinatorial optimization problem that is difficult to solve efficiently at practical network scales. In this work, we propose a congruence decomposition framework with neural block solvers for large-scale PCI assignment. The proposed decomposition exploits the arithmetic structure of PCI values to decouple multiple modular interference objectives into a collection of blockwise Min-$k$-Partition subproblems, followed by a graph coloring procedure to resolve PCI conflicts. For the resulting NP-hard Min-$k$-Partition subproblems, we develop neural block solvers by parameterizing their relaxed quadratic formulations with graph neural networks, enabling efficient optimization at large scales. Discrete assignments are recovered through conditional expectation rounding with theoretical guarantees. Experiments on synthetic cellular graphs and real-world 5G networks show that the proposed method consistently outperforms existing modular-interference-aware baselines in modular interference reduction, conflict elimination, and computational efficiency.
• Abstract（参考訳）: 物理セルアイデンティティー(PCI)の割り当ては、密集した5Gネットワークにおける干渉管理に不可欠である。 セルラーネットワークがスケールするにつれて、PCIの再利用は避けられなくなり、衝突、混乱、複数形態のモジュラー干渉を引き起こす可能性がある。 これらの効果を共同で緩和することは、実用的なネットワークスケールで効率的に解くのが難しい大規模で多目的な組合せ最適化問題を引き起こす。 そこで本研究では,大規模PCI代入のためのニューラルブロックソルバを用いた合同分解フレームワークを提案する。 提案手法は、PCI値の算術的構造を利用して、複数のモジュラー干渉対象をブロックワイズなMin-$k$-Partitionサブプロブレムに分解し、続いてPCI競合を解決するグラフカラー化処理を行う。 NP-hard Min-$k$-Partition subproblemsに対して,グラフニューラルネットワークを用いて2次2次式をパラメータ化することにより,大規模で効率的な最適化を実現する。 離散的な割り当ては、理論的な保証を伴う条件付き期待ラウンドリングによって回収される。 合成セルグラフと実世界の5Gネットワークの実験により、提案手法は、モジュラー干渉低減、コンフリクト除去、計算効率において、既存のモジュラー干渉認識ベースラインを一貫して上回ることを示した。

関連論文リスト

• A Scalable Distributed Quantum Optimization Framework via Factor Graph Paradigm [46.08923284345648]
  分散量子最適化のための構造認識フレームワークを提案する。 検索スペースが$N$の場合、我々のフレームワークはプロセッサやセパレータに依存した要素に対して$O(sqrtN)$クエリ複雑性を達成する。 構造を考慮した分解は、量子ネットワーク上でのスケーラブルな分散量子最適化に実践的な道をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-03-08T15:15:52Z)
• Joint Optimization of Model Partitioning and Resource Allocation for Anti-Jamming Collaborative Inference Systems [52.842088497389746]
  この手紙は、悪意のあるジャマーの存在下での、アンチジャミングの協調推論システムに焦点を当てている。 まず、ジャミングとDNNパーティショニングがデータ回帰による推測精度に与える影響を解析する。 問題を3つのサブプロブレムに分解する,効率的な交互最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-03T03:52:52Z)
• Learning Wireless Interference Patterns: Decoupled GNN for Throughput Prediction in Heterogeneous Multi-Hop p-CSMA Networks [4.303580795892996]
  Decoupled Graph Convolutional Network (D-GCN)は、ノードの送信確率の処理を近隣の干渉効果から明確に分離する新しいアーキテクチャである。 D-GCNは3.3%のNMAEを達成し、強力なベースラインを上回り、正確な解析手法が計算的に実現不可能になった場合でも、依然として引くことができる。
  論文  参考訳（メタデータ） (2025-10-15T22:13:59Z)
• Resource Management for Low-latency Cooperative Fine-tuning of Foundation Models at the Network Edge [35.40849522296486]
  大規模ファウンデーションモデル(FoMos)は、人間のような知性を実現することができる。 FoMosは微調整技術により、特定の下流タスクに適応する必要がある。 デバイスエッジ協調微調整パラダイムにおける多デバイス連携を提唱する。
  論文  参考訳（メタデータ） (2024-07-13T12:47:14Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Partitioning sparse deep neural networks for scalable training and inference [8.282177703075453]
  最先端のディープニューラルネットワーク(DNN)には、計算とデータ管理の大幅な要件がある。 スパシフィケーション法とプルーニング法は,DNNの大量の接続を除去するのに有効であることが示されている。 その結果得られたスパースネットワークは、ディープラーニングにおけるトレーニングと推論の計算効率をさらに向上するためのユニークな課題を提示する。
  論文  参考訳（メタデータ） (2021-04-23T20:05:52Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。