Mar, 2024

微型图神经网络用于无线资源管理

PDF
TL;DR无线资源管理的需求增加了对高效无线资源管理的精简神经网络结构的开发的需求。本文介绍了一种针对无线资源管理量身定制的图神经网络（GNN）的新方法：低秩消息传递图神经网络（LR-MPGNN）。该方法基于低秩逼近技术，将传统线性层替换为其低秩对应层，大大减小了模型尺寸和参数个数。通过多个关键指标对提出的 LR-MPGNN 模型的性能进行评估，包括模型尺寸、参数个数、通信系统的加权和速率以及权重矩阵的特征值分布。广泛的评估结果显示，LR-MPGNN 模型的模型尺寸减小了 60 倍，模型参数个数可以减少高达 98%。在性能方面，相对于原始 MPGNN 模型，LR-MPGNN 模型在最佳情况下的规范加权和速率仅降低了 2%，表现出很好的鲁棒性。此外，LR-MPGNN 模型的权重矩阵的特征值分布更加均匀，范围更广，表明了权重的战略性重新分布。
efficient radio resource managementgraph neural networkslow rank message passing graph neural networkmodel sizenumber of parameters
发现论文，激发创造
  • 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

  • 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

  • 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

  • 长距离图推理基准测试

    本研究提出了长距离图基准 (LRGB)，通过对 5 个图学习数据集进行基准测试，证明了捕获远距离依赖性的图神经网络 (MP-GNNs) 和 Transformers 架构在某些任务上性能表现明显更好，可用于衡量和探索 LRI 的 MP-GNNs 和 Graph Transformer 架构。

    Jun, 2022

  • 基于随机边图神经网络的最优无线资源分配

    本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配，通过卷积神经网络构建 REGNN，利用无监督模型进行权重训练，并测试其性能和转移能力。

    Sep, 2019

  • 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

  • 大规模网络定位的图神经网络

    本研究采用图神经网络（GNN）解决经典的非线性回归问题 —— 网络定位，并发现 GNN 在精度、鲁棒性和计算时间方面潜在成为大规模网络定位的最佳解决方案，适当的通信范围阈值对其高性能至关重要。此外，本研究提出的基于 GNN 的方法通过数据聚合、非线性可见性去噪和低通滤波等技术使其在邻居选择阈值上的优化成为可能。仿真结果表明，该方法远优于先前的最新基准。

    Oct, 2020

  • 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

  • 高效异构图学习通过随机投影

    我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络，它将一种风格的效率与另一种风格的低信息损失相结合，通过引入随机投影压缩步骤和关系化邻居收集组件，在七个小型和大型基准数据集上获得了最先进的结果，并比大多数有效的基准方法快 230％。

    Oct, 2023

  • 高效低秩图神经网络防御结构性攻击

    提出了一种高效的低秩图神经网络防御方法 (ELR-GNN)，通过学习低秩和稀疏的图结构来抵御对抗性攻击，并在保证有效防御的同时提高效率。实验结果表明，ELR-GNN 在文献中超过了现有技术的图神经网络防御方法，而且非常高效易用。

    Sep, 2023