本文探讨相似性图在最近邻搜索中的应用,提出了一种学习路由函数以克服局部极小值并显著提高整体搜索性能的方法。
May, 2019
本篇论文提出在 Deep Reinforcement Learning 技术中,将 Graph Neural Networks 集成进 DRL 代理中,以解决网络拓扑的泛化问题,并在路由优化的用例中测试并评估其性能,结果表明,在未曾训练过的网络拓扑中,DRL+GNN 代理能够胜过目前最先进的解决方案。
Oct, 2019
本文采用一种数据驱动的策略和基于图像的规划,应用于 3D 环境中的导航系统,通过机器学习方法实现了图像哈希表上的最短路径规划,比传统符号算法更优秀。
Jul, 2020
本文章提出了一种最短路径消息传递神经网络框架,可以解决节点间信息传递瓶颈以及节点无法直接通信的问题,从而实现更准确的图分类。
Jun, 2022
本文提出使用深度学习中的向量嵌入来近似计算大型网络的最短路径距离,结果表明,使用向量嵌入的前馈神经网络可以比较低的失真误差实现距离计算。该方法在 Facebook、BlogCatalog、Youtube 和 Flickr 等社交网络上进行了评估。
Feb, 2020
我们研究并开发了一种深度强化学习(DRL)方法,用于自适应流量路由,该方法利用深度图卷积神经网络(DGCNN)在 DRL 框架中学习流量行为,并通过 Q 值估计选择路由路径,实现对流量动态的快速适应。与 OSPF 协议相比,实验结果表明了该框架的有效性和适应性,在增加网络吞吐量高达 7.8% 和减少 16.1% 的流量延迟方面取得了显著效果。
Feb, 2024
本文研究了大规模通信网络中的信息路由问题,提出了一种基于图神经网络架构的状态扩展策略以最大化源节点的信息聚合,并利用节点的局部信息高效地将所需信息路由到目标节点,通过无监督学习过程将图神经网络输出转化为最优信息路由策略,实验证明该方法在 GNN 参数化训练方面相比基准算法具有改进的性能。
Sep, 2023
本文提出了一种基于深度强化学习的全局路由方法,该方法可以在模拟环境中生成优化的路由策略,与传统的基于贪心算法的方法相比,该方法具有更高的灵活性和更优的效果,为未来数据驱动的路由方法的培训数据集和生成不同规模和约束条件的参数化全局路由问题集合提供了可能性。
Jun, 2019
在多跳无线网络中,通过分布式可扩展的采样和传输策略以及图神经网络结构,优化采样和远程估计研究的主要问题包括缓存并从其他代理处获得最新样本、无线冲突通道和各个网络节点之间的决策制定。
Apr, 2024
本文提出了一种基于强化学习(RL)的无模型和数据驱动路径选择策略,结合图神经网络(GNN)的多智能体 RL 框架,探索了中央化,联合和合作学习三种部署范式,模拟结果表明该算法在分组传输延迟和负载方面优于一些现有的基准算法。
Jul, 2021