ICMLDec, 2022

利用图神经网络分析 MANET 通信流量

PDF
TL;DR研究了 Graph Neural Networks 在 Mobile Ad-Hoc Networks 上的应用，并利用 PyTorch Geometric 框架对 MANETs 数据集进行了分析。通过 GraphSAGE（SAG）模型进行边缘预测任务，取得了平均 82.1％的准确性。
graph neural networksmobile ad-hoc networksmanetspytorch geometricgraphsage
发现论文，激发创造
  • 智能交通系统中应用门控图神经网络提高交通密度预测

    该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

    Oct, 2023

  • 用图神经网络建模交通参与者交互

    该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

    Mar, 2019

  • 使用图神经网络检测上下文网络异常

    利用图神经网络（GNN）检测网络流量异常

    Dec, 2023

  • 智能交通系统中的图神经网络综述

    本文旨在回顾了 GNN 在六个代表性和新兴的智能交通系统领域（交通预测、自动驾驶汽车、交通信号控制、交通安全、需求预测和停车管理）的应用，总结了这些研究的方法、特点和贡献，并在信息丰富的表格或列表中呈现。最后，我们指出了将 GNN 应用于 ITS 所面临的挑战，并提出了潜在的未来研究方向。

    Jan, 2024

  • 从捕获的流量追踪构建基于图的深度学习网络模型

    通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

    Oct, 2023

  • 物联网和 NextG 网络的图神经网络综述

    物联网和下一代网络领域，图神经网络的应用和进展作出了重要贡献，并提供了全面的调研，包括数据融合、入侵检测、频谱感知等方面，同时对网络和战术系统的利用进行了详细描述，为研究者提供了一个全面资源。

    May, 2024

  • 探究图神经网络在 SDN 网络建模和优化中的潜力

    本文提出了一种基于图神经网络的网络建模技术，能够准确估计网络拓扑、路由和输入流量之间的复杂关系，从而优化网络性能，本技术对任意拓扑、路由和流量强度具有很好的泛化能力。

    Jan, 2019

  • 通信网络中的图神经网络：背景、应用案例和机遇

    GNN 可以作为一种新一代的数据驱动模型应用于通信网络的建模、控制和管理中，其优势在于可以应用于训练过程中未看到的其他网络和配置，以实现网络优化等诸多应用。

    Dec, 2021

  • 使用图神经网络的图异常检测：当前状态与挑战

    本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

    Sep, 2022

  • 无线网络中图神经网络应用综述

    本文简要介绍了 GNN（图神经网络）的构建方法和在无线网络中的应用，包括资源分配和新兴领域的探索，并探讨了 GNN 在无线通信系统中应用的几个研究方向和趋势。

    Jul, 2021