論文の概要: Graph Neural Networks for Resource Allocation in Integrated Sensing and Communication
- arxiv url: http://arxiv.org/abs/2611.07277v1
- Date: Thu, 05 Nov 2026 00:54:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.480143
- Title: Graph Neural Networks for Resource Allocation in Integrated Sensing and Communication
- Title（参考訳）: 統合センシング・通信における資源配分のためのグラフニューラルネットワーク
- Abstract要約: 車両統合センシング通信(ISAC)ネットワークでは、各車両は限られた電力予算を使用して複数の目標と受信機を提供する。
本稿では,ネットワークレイアウト毎に信号対雑音比を最適化するアルゴリズム(GNN-square)を提案する。
- 参考スコア（独自算出の注目度）: 11.373551038971911
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In vehicular integrated sensing and communication (ISAC) networks, each service-provider vehicle uses a limited power budget to serve multiple sensing targets and communication receivers. Maximizing the communication sum-rate subject to sensing signal-to-interference-plus-noise ratio (SINR) constraints is nonconvex, and iterative optimization is costly to rerun for every network layout. This paper proposes a graph neural network (GNN)-based power allocation algorithm, termed GNN-ISAC. Concretely, GNN-ISAC addresses the aforementioned problem by considering two distinct edge types in the graph representation, one capturing the inter-provider interference, the other representing the intra-provider power-budget sharing. GNN-ISAC is trained without labels using a sensing-penalized sum-rate loss. We also adapt the weighted mean-square error minimization (WMMSE) algorithm to this problem by introducing a sensing-power reservation step. Simulation results show that GNN-ISAC achieves communication sum-rates close to WMMSE with low sensing-link violation rates and much less computation. It also outperforms an existing heterogeneous GNN and a channel-blind baseline, and generalizes to larger networks without retraining.
- Abstract（参考訳）: 車両統合センシング通信(ISAC)ネットワークでは、各車両は限られた電力予算を使い、複数の目標と通信受信機を提供する。
SINR(interference-plus-noise ratio)制約による通信総和率の最大化は非凸であり、繰り返し最適化はネットワークレイアウト毎に再実行するのにコストがかかる。
本稿では,GNN-ISACと呼ばれるグラフニューラルネットワーク(GNN)に基づく電力配分アルゴリズムを提案する。
具体的には、GNN-ISACは、グラフ表現における2つの異なるエッジタイプを考慮し、一方がプロジェクタ間干渉を捕捉し、もう一方がプロジェクタ内パワーバッジ共有を表すことによって、上記の問題に対処する。
GNN-ISACは、センサペナル化されたサムレート損失を使用してラベルなしで訓練される。
また、重み付き平均二乗誤差最小化(WMMSE)アルゴリズムをセンサパワー予約ステップを導入し、この問題に適応する。
シミュレーションの結果、GNN-ISACは、WMMSEに近い通信総和レートを低感度リンク違反率で達成し、より少ない計算量で実現できることが示された。
また、既存の異種GNNとチャネルブラインドベースラインを上回り、再トレーニングせずにより大きなネットワークに一般化する。
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) - Resource Allocation in Hybrid Radio-Optical IoT Networks using GNN with Multi-task Learning [11.833896722352568]
本稿では,光ニューラルOWCと電波周波数(RF)を統合したハイブリッドモノのインターネット(IoT)ネットワークにおけるデュアルテクノロジースケジューリングの問題に対処する。
本稿では,2段階グラフ埋め込みとトランスフォーマー(DGET)フレームワークを組み合わせた教師付きマルチタスク学習アーキテクチャを提案する。
提案フレームワークは、90%以上の分類精度で最適に近いスケジューリングを実現し、計算複雑性を低減し、部分的なチャネルオブザーバビリティの下で高いロバスト性を示す。
論文 参考訳（メタデータ） (2025-10-29T15:02:28Z) - 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) - Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。
既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。
本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
論文 参考訳（メタデータ） (2025-01-20T04:26:21Z) - Accelerating Graph Neural Networks via Edge Pruning for Power Allocation in Wireless Networks [9.031738020845586]
グラフニューラルネットワーク(GNN)は、無線ネットワークにおける電力割り当て問題に対処するための有望なアプローチとして登場した。
我々は,GNNの時間的複雑さを低減するために,近隣のしきい値を用いたアプローチを導入する。
以上の結果から,提案したN-GNNは,高い性能と一般化能力を維持しつつ,時間的複雑性を低減できるという利点があることがわかった。
論文 参考訳（メタデータ） (2023-05-22T02:22:14Z) - Graph Neural Networks for Power Allocation in Wireless Networks with
Full Duplex Nodes [10.150768420975155]
ユーザ間の相互干渉のため、無線ネットワークにおける電力割り当て問題はしばしば自明ではない。
グラフグラフニューラルネットワーク(GNN)は、これらの問題に対処するための有望なアプローチとして最近登場し、無線ネットワークの基盤となるトポロジを活用するアプローチである。
論文 参考訳（メタデータ） (2023-03-27T10:59:09Z) - Neural network relief: a pruning algorithm based on neural activity [47.57448823030151]
重要でない接続を非活性化する簡易な重要スコア計量を提案する。
MNIST上でのLeNetアーキテクチャの性能に匹敵する性能を実現する。
このアルゴリズムは、現在のハードウェアとソフトウェアの実装を考えるとき、FLOPを最小化するように設計されていない。
論文 参考訳（メタデータ） (2021-09-22T15:33:49Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳（メタデータ） (2021-06-15T09:03:28Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳（メタデータ） (2020-01-21T15:51:17Z)
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。