Graph Neural Networks over the Air for Decentralized Tasks in Wireless Networks

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、局所的な通信を通じて分散型推論を可能にします。
既存の GNN アーキテクチャは多くの場合、理想的な通信を前提としており、フェージングやノイズなどの潜在的な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の低下につながります。
この論文では、無線リンクを介して接続されたノード上に実装された GNN を考慮して、GNN のパフォーマンスに対するチャネル障害の影響を研究するために安定性解析を実施し、通信を組み込んだ新しい GNN アーキテクチャである空中グラフ ニューラル ネットワーク (AirGNN) を提案します。
モデル。
AirGNN は、近隣からの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ために、ランダムな通信グラフ上でグラフ信号をシフトするグラフ畳み込み演算を変更します。これにより、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が向上します。
私たちは、チャネル状態情報 (CSI) が利用可能な場合に AirGNN のチャネル反転信号送信戦略を開発し、CSI が不明な場合に 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ます。
収束分析は、トレーニング手順が関連する確率的最適化問題の定常解に近づいていることを示し、分散分析はトレーニングされたモデルの統計的動作を特徴付けます。
分散型音源位置特定とマルチロボット群集に関する実験は理論的発見を裏付け、無線通信チャネル上での 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) model representations from networked data and allow for decentralized inference through localized communications. Existing GNN architectures often assume ideal communications and ignore potential channel effects, such as fading and noise, leading to performance degradation in real-world implementation. Considering a GNN implemented over nodes connected through wireless links, this paper conducts a stability analysis to study the impact of channel impairments on the performance of GNNs, and proposes graph neural networks over the air (AirGNNs), a novel GNN architecture that incorporates the communication model. AirGNNs modify graph convolutional operations that shift graph signals over random communication graphs to take into account channel fading and noise when aggregating features from neighbors, thus, improving architecture robustness to channel impairments during testing. We develop a channel-inversion signal transmission strategy for AirGNNs when channel state information (CSI) is available, and propose a stochastic gradient descent based method to train AirGNNs when CSI is unknown. The convergence analysis shows that the training procedure approaches a stationary solution of an associated stochastic optimization problem and the variance analysis characterizes the statistical behavior of the trained model. Experiments on decentralized source localization and multi-robot flocking corroborate theoretical findings and show superior performance of AirGNNs over wireless communication channels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google