論文の概要: GATNextHop: A GAT for Shortest Path Routing with Cross-Topology Generalization
- arxiv url: http://arxiv.org/abs/2608.23917v1
- Date: Mon, 24 Aug 2026 23:50:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.662003
- Title: GATNextHop: A GAT for Shortest Path Routing with Cross-Topology Generalization
- Title（参考訳）: GATNextHop: クロストポロジーの一般化による最短経路ルーティングのためのGAT
- Abstract要約: 本稿では,グラフニューラルネットワーク,すなわちグラフ注意ネットワークが最短経路を近似し,トポロジ全体にわたって一般化できるかどうかを判定するGATNextHopモデルを提案する。
GNNとDijkstraのアルゴリズムを比較し、学習されたルーティングアプローチと古典的なルーティングアプローチのトレードオフを定量化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Common shortest-path algorithms, such as Dijkstra's (SPF), that OSPF uses, provide exact routing solutions but must be recomputed for each network topology, limiting scalability in dynamic or large-scale networks. This paper proposes the GATNextHop model to determine whether a Graph Neural Network, namely the Graph Attention Network, can approximate shortest paths and generalize across topologies. By training on synthetic graphs and evaluating on real-world Internet Service Provider networks from the Internet Topology Zoo, we aim to benchmark our model's ability to learn routing heuristics that transfer across network structures. Performance will be evaluated in terms of accuracy, inference speed, and generalization, comparing the GNN against Dijkstra's algorithm to quantify trade-offs between learned and classical routing approaches.
- Abstract（参考訳）: OSPFが使用するDijkstra(SPF)のような最短パスアルゴリズムは、正確なルーティングソリューションを提供するが、ネットワークトポロジごとに再計算し、動的または大規模ネットワークのスケーラビリティを制限する必要がある。
本稿では,グラフニューラルネットワーク,すなわちグラフ注意ネットワークが最短経路を近似し,トポロジ全体にわたって一般化できるかどうかを判定するGATNextHopモデルを提案する。
インターネットトポロジ動物園からの合成グラフのトレーニングと実世界のインターネットサービスプロバイダネットワークの評価により,ネットワーク構造を横断するルーティングヒューリスティックを学習するモデルの能力のベンチマークを目指す。
GNNとDijkstraのアルゴリズムを比較し、学習されたルーティングアプローチと古典的なルーティングアプローチのトレードオフを定量化する。
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) - Knowledge-Guided Machine Learning for Stabilizing Near-Shortest Path Routing [3.595536209220219]
本稿では,局所的なルーティングポリシーを学習するために,単一のグラフからデータサンプルを少数必要とするような単純なアルゴリズムを提案する。
GreedyTensileルーティングと呼ばれる新しいポリシーを学びます。
本稿では,Greedy Tensileルーティングの実行時の説明可能性と超低レイテンシ動作について述べる。
論文 参考訳（メタデータ） (2025-09-08T12:56:42Z) - Graph neural networks extrapolate out-of-distribution for shortest paths [13.300757448796361]
グラフニューラルネットワーク(GNN)は、短いパスインスタンスの小さなセットに対して、スパーシリティ規則化された損失を最小限に抑えるために訓練される。
勾配降下により訓練されたGNNは、この損失を最小限に抑え、実際に外挿することができることを示す。
論文 参考訳（メタデータ） (2025-03-24T21:52:05Z) - Opportunistic Routing in Wireless Communications via Learnable State-Augmented Policies [7.512221808783587]
本稿では,大規模無線通信ネットワークにおけるパケットベースの情報ルーティングの課題に対処する。
機会的ルーティングは、無線通信の放送特性を利用して、最適な転送ノードを動的に選択する。
ネットワーク内のソースノードが処理する全情報の最大化を目的とした,状態拡張(SA)に基づく分散最適化手法を提案する。
論文 参考訳（メタデータ） (2025-03-05T18:44:56Z) - Network Tomography with Path-Centric Graph Neural Network [8.789611631435024]
我々は、優れたネットワークトモグラフィーは、データと(部分的な)事前知識からの適切な帰納バイアスの両方から知識を相乗化する必要があると論じる。
パス中心グラフニューラルネットワークを用いてパス性能メトリクスを予測する新しいフレームワークであるDeep Network Tomography (DeepNT)を提案する。
論文 参考訳（メタデータ） (2025-02-23T04:08:46Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Learning State-Augmented Policies for Information Routing in Communication Networks [84.76186111434818]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-30T04:34:25Z) - Packet Routing with Graph Attention Multi-agent Reinforcement Learning [4.78921052969006]
我々は強化学習(RL)を利用したモデルフリーでデータ駆動型ルーティング戦略を開発する。
ネットワークトポロジのグラフ特性を考慮すると、グラフニューラルネットワーク(GNN)と組み合わせたマルチエージェントRLフレームワークを設計する。
論文 参考訳（メタデータ） (2021-07-28T06:20:34Z) - Progressive Spatio-Temporal Graph Convolutional Network for
Skeleton-Based Human Action Recognition [97.14064057840089]
本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。
骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
論文 参考訳（メタデータ） (2020-11-11T09:57:49Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
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。