May, 2023

通过边剪枝加速图神经网络，用于在无线网络中进行功率分配

PDF
TL;DR本研究提出了基于邻居节点的阈值方法，用于减少无线网络中图神经网络算法的复杂度，同时保持较强的性能，并分析了不同通信信道情况下适当选择距离阈值和邻居阈值的建议。结果表明，所提出的 GNN 方法在降低时间复杂度方面具有显着优势，并且通过选择适当的阈值，时间复杂度可以从 O (|V|^2) 降低到 O (|V|)。
graph neural networkspower allocationwireless networksdistance-based thresholdneighbour-based threshold
发现论文，激发创造
  • 在无线网络中部署图神经网络：链路稳定性视角

    利用 Lyapunov 优化方法，最大化实现长期平均通信链路数目，以优化功率控制，改善图神经网络在资源受限的无线系统中的学习性能。

    May, 2024

  • ENGNN: 一种通用的具有边缘更新功能的 GNN 结构，用于无线网络中的无线电资源管理

    为了在未来的无线网络中实现高数据速率和无处不在的连接，本文提出了一种基于图神经网络的边更新机制，以高效地管理射束形成和功率分配等无线电资源，并在典型的无线电资源管理问题中取得了比现有方法更高的总速率和更短的计算时间。

    Dec, 2022

  • 学习资源分配策略：顶点 - GNN 还是边 - GNN？

    分析了 Vertex-GNNs 和 Edge-GNNs 在学习无线策略时的表达能力，说明了通过使用线性处理器和输出维度来提高 GNNs 的表达能力的必要条件，并通过模拟结果验证了 Edge-GNNs 能以较低的训练和推理时间达到与 Vertex-GNNs 相同的性能。

    Jul, 2023

  • 利用通道剪枝加速大规模实时 GNN 推理

    本文提出通过修剪每层维度中对输出结果的影响程度很小的特征维度，使用 LASSO 回归公式设计修剪框架来加速 GNN 推理。针对计算和存储情景，设计了修剪方案。此外，还有效地存储和重复利用已访问节点的隐藏特征，显著降低了计算目标嵌入所需支持节点的数量。本文在五个流行数据集上和一个实时垃圾邮件检测应用中评估了所提出的方法，证明剪枝 GNN 模型大大降低了计算和存储使用，同时几乎不影响准确度。

    May, 2021

  • 一种用于可扩展无线功率控制的图神经网络方法

    本文提出使用图神经网络（GNNs）解决功率控制问题，并设计了干扰图卷积神经网络（IGCNet）来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能，并且可以解决传统算法下的功率控制问题。

    Jul, 2019

  • 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

  • 图神经网络稀疏训练的全面图剪枝

    本文提出了一种基于渐进式图剪枝 (CGP) 的图神经网络 (GNN) 压缩框架，综合剪枝了图结构、节点特征和模型参数，同时引入重生过程以重新建立重要的连接，实验结果表明 CGP 策略在提高训练和推断效率的同时保证准确性超过了现有方法。

    Jul, 2022

  • 基于图神经网络的安全无线通信带宽分配

    设计了一种图神经网络 (GNN) 来提高多个合法无线用户向基站传输数据时的带宽分配，在存在窃听者的情况下提高隐私性并防止窃听攻击，通过用户调度算法来满足瞬时最小保密率约束，并基于此优化了带宽分配，通过迭代搜索 (IvS)、基于 GNN 的监督学习 (GNN-SL) 和基于 GNN 的无监督学习 (GNN-USL) 三种算法。计算复杂度分析表明 GNN-SL 和 GNN-USL 相对于受带宽块大小限制的 IvS 来说更高效。数值模拟结果表明，我们提出的基于 GNN 的资源分配与 IvS 相比可以实现可比较的总保密率，同时计算复杂度显著降低。此外，我们观察到 GNN 方法在窃听者信道状态信息不确定性方面更为稳健，特别是与最佳信道分配方案相比。

    Dec, 2023

  • 基于图神经网络的用户配对在无线通信系统中的应用

    本文提出一种无监督的图神经网络方法用于解决无线通信系统中的用户配对问题，该方法在网络资源分配，用户配对和动态网络等方面显著优于传统的 ML 和 CNN 方法。

    May, 2023

  • 可扩展无线电资源管理的图神经网络：架构设计与理论分析

    本篇论文提出通过使用图神经网络解决大规模射频资源管理问题，通过设计有效的神经网络结构和理论分析，证明了信息传递图神经网络不仅满足置换等变性，而且能够适用于大规模问题且效率高，进一步通过分布式优化算法分析了方法的性能和泛化性，提供解释性和理论保证。

    Jul, 2020