传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延,在实际通信中实时获取信道信息十分困难,当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通(Device-to-Device,D2D)用户与蜂窝用户的联合功率分配...传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延,在实际通信中实时获取信道信息十分困难,当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通(Device-to-Device,D2D)用户与蜂窝用户的联合功率分配问题,提出一种异构功率控制图神经网络(Heterogeneous Power Control Graph Neural Network,HPCGNN)算法,旨在最大化所有用户的加权和速率。首先通过构建干扰的异构图,将信道和噪声等信息嵌入到图的节点和边;再由HPCGNN完成消息传递和更新,采用无监督学习方式优化深度神经网络(Deep Neural Network,DNN)参数,最终得到最佳的功率分配。仿真结果表明,相较于其他深度学习算法,所提算法能够有效提高系统性能,且在损失5%性能下相较分式规划(Fractional Programming,FP)能降低82%~98%的时间复杂度。展开更多
图编辑距离(GED)是一种常用的图相似性度量函数,其精确计算为NP-hard问题。因此,近期研究者们提出诸多基于图神经网络的图相似度计算方法。现有方法在特征提取时忽略了两个图节点之间的跨图交互信息,并且缺乏对图中节点高阶关系的学习...图编辑距离(GED)是一种常用的图相似性度量函数,其精确计算为NP-hard问题。因此,近期研究者们提出诸多基于图神经网络的图相似度计算方法。现有方法在特征提取时忽略了两个图节点之间的跨图交互信息,并且缺乏对图中节点高阶关系的学习。针对以上问题,提出了一种基于跨图特征融合和结构感知注意力的图相似度计算模型(cross-graph feature fusion with structure-aware attention for graph similarity computation,CFSA)。首先,该模型提出了一种跨图节点特征学习方法,引入跨图注意力机制提取节点的跨图交互信息,并将节点的局部特征和跨图交互特征进行有效融合;其次,提出了一种结构感知型多头注意力机制,结合节点特征信息和图结构信息,有效捕捉节点间的高阶关系。在三个公共数据集上的实验结果表明,CFSA模型的预测准确率相较于现有模型分别提升4.8%、5.1%、15.8%,且在大多项性能指标上均有优势,证明了CFSA在GED预测任务上的有效性和效率。展开更多
文摘传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延,在实际通信中实时获取信道信息十分困难,当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通(Device-to-Device,D2D)用户与蜂窝用户的联合功率分配问题,提出一种异构功率控制图神经网络(Heterogeneous Power Control Graph Neural Network,HPCGNN)算法,旨在最大化所有用户的加权和速率。首先通过构建干扰的异构图,将信道和噪声等信息嵌入到图的节点和边;再由HPCGNN完成消息传递和更新,采用无监督学习方式优化深度神经网络(Deep Neural Network,DNN)参数,最终得到最佳的功率分配。仿真结果表明,相较于其他深度学习算法,所提算法能够有效提高系统性能,且在损失5%性能下相较分式规划(Fractional Programming,FP)能降低82%~98%的时间复杂度。
文摘图编辑距离(GED)是一种常用的图相似性度量函数,其精确计算为NP-hard问题。因此,近期研究者们提出诸多基于图神经网络的图相似度计算方法。现有方法在特征提取时忽略了两个图节点之间的跨图交互信息,并且缺乏对图中节点高阶关系的学习。针对以上问题,提出了一种基于跨图特征融合和结构感知注意力的图相似度计算模型(cross-graph feature fusion with structure-aware attention for graph similarity computation,CFSA)。首先,该模型提出了一种跨图节点特征学习方法,引入跨图注意力机制提取节点的跨图交互信息,并将节点的局部特征和跨图交互特征进行有效融合;其次,提出了一种结构感知型多头注意力机制,结合节点特征信息和图结构信息,有效捕捉节点间的高阶关系。在三个公共数据集上的实验结果表明,CFSA模型的预测准确率相较于现有模型分别提升4.8%、5.1%、15.8%,且在大多项性能指标上均有优势,证明了CFSA在GED预测任务上的有效性和效率。
