Mar, 2023

利用图神经网络方法进行纳米卫星任务调度：学习混合整数模型的洞见

PDF
TL;DR本研究探讨了如何使用图神经网络（GNN）更有效地调度纳米卫星任务，并将优化问题表示为二分图。同时，应用可解释性人工智能（XAI）确定对学习表现影响最大的要素。结果表明 GNN 对于调度纳米卫星任务是一种可能有效的方法，并突出了可解释性机器学习模型在挑战性组合优化问题上的优点。
nanosatellitetask schedulinggraph neural networkoptimizationexplainable ai
发现论文，激发创造
  • 基于图神经网络和自适应调度的在线计划选择

    论文提出了一种基于图神经网络的候选规划器选择方法，并结合自适应调度策略实现了机器人路径规划等问题的高效解决，相关代码已经开源。

    Nov, 2018

  • 利用动态图神经网络实现异构纳米卫星星座的自主协作

    通过建模卫星星座和卫星接触计划为动态网络并采用基于图论的技术，提出了一种新方法来解决卫星网络通信调度的复杂性问题，通过仿真退火的启发式算法更新，推测网络延迟误差平均为 3.6 分钟，在提高 29.1% 延迟的同时，实现 20 倍的目标评估速度。

    Mar, 2024

  • GraSS: 将图神经网络与专家知识结合，用于 SAT 求解器选择

    通过三分图表示的实例和异构图神经网络模型，我们提出了一种基于 GraSS 的自动 SAT 求解器选择方法，该方法使用了特定领域决策，如新的节点特征设计、图中子句的位置编码、针对三分图的 GNN 架构以及运行时间敏感的损失函数，通过广泛的实验，我们证明了这种组合对于七种最先进的求解器来说在回路设计基准测试和 2022 SAT 大赛 20 年纪念赛道的实例中都能提高运行时间。

    May, 2024

  • 边缘端的 GNN：在分布式边缘服务器上实现成本有效的图神经网络处理

    本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化，发现图神经网络的独特计算模式含有二次次模性质，在此基础上设计了基于图切割的迭代解法，并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。

    Oct, 2022

  • 基于异构图的智能电网故障事件诊断的多任务学习

    本研究提出了一种异构多任务学习图神经网络（MTL-GNN），用于检测、定位和分类故障，同时提供故障电阻和电流的估计。使用图神经网络（GNN）学习配电系统的拓扑表示和特征学习，以及一种基于 GNN 的新颖可解释性方法以确定配电系统中的关键节点，从而实现知情稀疏测量。数值测试验证了该模型在所有任务上的性能。

    Sep, 2023

  • 使用图神经网络进行分布式调度

    该论文提出了一种基于图卷积网络的分布式最大权独立集求解器，通过学习拓扑感知节点嵌入和网络权重相结合，并调用贪心算法，即使在小型至中型无线网络中，浅层的基于 GCN 的 MWIS 调度器也可以利用图的拓扑信息将分布式贪心求解器的次优误差减半，在保持图形一般性的同时，增加的计算复杂性很小。

    Nov, 2020

  • 基于机器学习的卫星 - 高空平台 - 地面一体化网络的用户调度

    本文介绍了机器学习在综合空地海网络中用户调度上的应用，着重探讨了深度神经网络在优化用户调度策略上的优点，并提出了一些未来发展中的挑战和问题。

    May, 2022

  • 一种新颖的基于进化的神经模糊任务调度方法，用于共同优化异构 MPSoCs 的主要设计挑战

    提出了一种基于模糊神经网络（FNN）及 NSGA-II 进化多目标算法的在线任务调度和映射方法，以共同优化异构 MPSoC 的主要设计挑战。通过实验验证，该方法优于相关启发式和元启发式方法，可以提高温度，功耗，故障率和执行时间等几个设计指标的优化性能。

    Mar, 2022

  • G4SATBench：使用图神经网络对 SAT 求解进行基准测试和推进

    通过建立一个全面的评估框架，我们提出了第一个用于 GNN-based SAT solvers 的基准研究，对各种预测任务、训练目标和推理算法的广泛范围的 GNN 模型进行了基准测试，结果展示了 GNN-based SAT solvers 的性能以及现有模型在学习策略方面的局限性。

    Sep, 2023

  • 面向任务的大型知识图谱上的 GNNs 训练用于准确和高效建模

    KG-TOSA 是一种自动化任务导向下的异构图神经网络训练的子图提取方法，能够显著减少训练时间和内存使用，提高模型性能。

    Mar, 2024