AirGNN: Graph Neural Network over the Air

要約

グラフ ニューラル ネットワーク (GNN) は、ネットワーク化されたデータから表現をモデル化し、ローカライズされた通信を通じて分散実装を可能にする情報処理アーキテクチャです。
既存の GNN アーキテクチャは、多くの場合、理想的な通信リンクを想定しており、フェージングやノイズなどのチャネル効果を無視しているため、実際の実装ではパフォーマンスが低下します。
この論文では、通信モデルをアーキテクチャに組み込んだ新しい GNN アーキテクチャである無線グラフ ニューラル ネットワーク (AirGNN) を提案します。
AirGNN はグラフの畳み込み操作を変更し、グラフ信号をランダムな通信グラフ上でシフトして、近隣から特徴を集約するときにチャネル フェージングとノイズを考慮に入れることで、テスト中のチャネル障害に対するアーキテクチャの堅牢性を向上させます。
AirGNN をトレーニングするための確率的勾配降下ベースの方法を提案し、トレーニング手順が定常解に収束することを示します。
分散型音源定位とマルチロボット群れに関する数値シミュレーションは、理論的発見を裏付け、ワイヤレス通信チャネルを介した AirGNN の優れたパフォーマンスを示しています。

要約(オリジナル)

Graph neural networks (GNNs) are information processing architectures that model representations from networked data and allow for decentralized implementation through localized communications. Existing GNN architectures often assume ideal communication links, and ignore channel effects, such as fading and noise, leading to performance degradation in real-world implementation. This paper proposes graph neural networks over the air (AirGNNs), a novel GNN architecture that incorporates the communication model into the architecture. The AirGNN modifies the graph convolutional operation that shifts graph signals over random communication graphs to take into account channel fading and noise when aggregating features from neighbors, thus, improving the architecture robustness to channel impairments during testing. We propose a stochastic gradient descent based method to train the AirGNN, and show that the training procedure converges to a stationary solution. Numerical simulations on decentralized source localization and multi-robot flocking corroborate theoretical findings and show superior performance of the AirGNN over wireless communication channels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google