Attentional Graph Neural Networks for Robust Massive Network Localization

要約

グラフ ニューラル ネットワーク (GNN) は、機械学習の分類タスクとして非常に人気が高まっていますが、回帰問題への応用は依然として限られています。
同時に、注意メカニズムが、逐次的な学習タスクにおける強力なツールとして登場しました。
この論文では、GNN とアテンション メカニズムを使用して、古典的だが困難な非線形回帰問題、つまりネットワーク ローカリゼーションに対処します。
我々は、面倒なオフラインキャリブレーションやNLOS識別の必要性を排除しながら、厳しい見通し外（NLOS）伝播の存在下でも優れた安定性と精度を達成する、新しいGNNベースのネットワーク位置特定方法を提案します。
広範な実験結果により、特に困難な NLOS シナリオにおける GNN ベースの位置特定モデルの有効性と高精度が検証されています。
ただし、提案された GNN ベースのモデルは柔軟性が限られており、その精度はグラフ構造を決定する特定のハイパーパラメーターに非常に敏感です。
この制限に対処し、GNN ベースのモデルの適用可能性を実際のシナリオに拡張するために、柔軟性が強化され、各ノードに最適なハイパーパラメーターを自動的に学習する機能を提供する 2 つのアテンション グラフ ニューラル ネットワーク (AGNN) を導入します。
実験結果では、AGNN モデルが位置特定の精度を向上させることができ、現実世界のアプリケーションに有望なソリューションを提供できることが確認されています。
また、動的注意と信号ノイズ除去特性の観点から、AGNN モデルによって達成されたパフォーマンスの向上についてのいくつかの分析も提供します。

要約(オリジナル)

Graph neural networks (GNNs) have gained significant popularity for classification tasks in machine learning, yet their applications to regression problems remain limited. Concurrently, attention mechanisms have emerged as powerful tools in sequential learning tasks. In this paper, we employ GNNs and attention mechanisms to address a classical but challenging nonlinear regression problem: network localization. We propose a novel GNN-based network localization method that achieves exceptional stability and accuracy in the presence of severe non-line-of-sight (NLOS) propagations, while eliminating the need for laborious offline calibration or NLOS identification. Extensive experimental results validate the effectiveness and high accuracy of our GNN-based localization model, particularly in challenging NLOS scenarios. However, the proposed GNN-based model exhibits limited flexibility, and its accuracy is highly sensitive to a specific hyperparameter that determines the graph structure. To address the limitations and extend the applicability of the GNN-based model to real scenarios, we introduce two attentional graph neural networks (AGNNs) that offer enhanced flexibility and the ability to automatically learn the optimal hyperparameter for each node. Experimental results confirm that the AGNN models are able to enhance localization accuracy, providing a promising solution for real-world applications. We also provide some analyses of the improved performance achieved by the AGNN models from the perspectives of dynamic attention and signal denoising characteristics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google