주뇽's 저장소

• Bhavanasi S S, Pappone L, Esposito F. Dealing with Changes: Resilient Routing via Graph Neural Networks and Multi-Agent Deep Reinforcement Learning[J]. IEEE Transactions on Network and Service Management, 2023. Link Code 변화에 대처하기: 그래프 신경망 및 다중 에이전트 심층 강화 학습을 통한 탄력적 라우팅 Dealing with Changes: Resilient Routing via Graph Neural Networks and Multi-Agent Deep Reinforcement Learning Dealing_with_Cha..

Welcome to IGNNITION — ignnition main documentation IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems • Pujol-Perich D, Suárez-Varela J, Ferriol M, et al. IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems[J]. IEEE Network, 2021. Link Code IGNITION: 그래프 신경망과 네트워킹 시스템 간의 격차 해소 IGNNITION: Bridging the Gap Between Graph Neural Networks an..

GitHub - GuiminDong/GNN4IoT Graph Neural Networks in IoT: A Survey 💡 해당 논문은 사물인터넷(IoT)이 의료, 교통, 제조 등 일상 생활의 다양한 측면에 미치는 영향에 대해 설명한다. 또한 지속적인 센싱으로 생성되는 대량의 데이터와 컨볼루션 신경망 및 순환 신경망과 같은 딥 러닝 모델을 사용하여 IoT 작업을 해결하는 데 따르는 과제를 강조한다. 또한 이 논문에서는 IoT 센서 네트워크 내의 복잡한 상호 작용을 포착하고 IoT 학습 작업에서 최첨단 결과를 달성하기 위한 유망한 접근 방식인 그래프 신경망(GNN)을 소개한다. 저자들은 IoT 분야에 GNN을 적용하는 최근의 발전에 대한 포괄적인 검토를 제시하고 이 분야의 새로운 연구를 추적할 수 있는 저..

2023.09.19 - [DeepLearning/Paper Riview] - Unsupervised Resource Allocation with Graph Neural Networks 논문 리뷰 Unsupervised Resource Allocation with Graph Neural Networks 논문 리뷰 ABSTRACT 해당 논문은 비지도 학습 방식으로 자원을 할당하는 방법을 학습함으로써 전역 유틸리티 기능을 극대화하는 접근 방식을 설명한다. 저자들은 할당 대상 간의 상호 작용의 중요성을 고려 jypark1111.tistory.com MLP (Multi-Layer Perceptron): 기본적인 다층 퍼셉트론을 구현한다. 이는 노드, 엣지, 전역 특성을 업데이트하는 데 사용된다. class MLP..

ABSTRACT 해당 논문은 비지도 학습 방식으로 자원을 할당하는 방법을 학습함으로써 전역 유틸리티 기능을 극대화하는 접근 방식을 설명한다. 저자들은 할당 대상 간의 상호 작용의 중요성을 고려하여 그래프 신경망(GNN)을 사용하여 거의 최적의 할당 정책에 대한 보상 구조를 학습할 것을 제안한다. 자원 제약을 완화함으로써 진화 알고리즘 대신 기울기 기반 최적화를 활용할 수 있다. 이 알고리즘의 동기는 제한된 초기 정보를 기반으로 많은 수의 은하 중에서 선택하여 우주의 구성을 최적으로 추론하는 것이 목표인 현대 천문학의 문제에서 비롯된다. 이 기술은 사회 과학 연구에서 고객 만족도 조사 및 자율 에이전트의 탐험 전략에 이르기까지 다양한 할당 문제에 적용될 가능성이 있다. 1. Resource Allocati..

A GNN-Based Supervised Learning Framework for Resource Allocation in Wireless IoT Networks 무선 IoT 네트워크에서 리소스 할당을 위한 GNN 기반 지도 학습 프레임워크 ABSTRACT 사물 인터넷(IoT)을 통해 물리적 장치를 무선 네트워크를 통해 연결할 수 있다. 디바이스 간(D2D) 통신이 IoT의 유망한 기술로 떠오르고 있지만, D2D 리소스 할당을 위한 기존의 솔루션은 일반적으로 계산이 복잡하고 시간이 많이 걸린다. 이러한 높은 복잡성은 무선 IoT 네트워크의 실제 구현에 큰 걸림돌이 된다. 이 문제를 지도학습 방식으로 해결하기 위해 그래프 신경망(GNN) 기반 프레임워크가 제안되었다. 구체적으로 무선 네트워크는 바람직한 통..

Collaborative Filtering(협업 필터링) 다른 사용자의 구매 이력, 평가 등을 바탕으로 다른 사용자와의 유사도를 측정하여 사용자가 좋아할만한 상품을 추천하는 기술이다. ex) A,B 두 명의 사용자가 있다고 가정 A : 햄버거를 좋아함 B : A와 B의 음식 취향이 비슷함 B 에게 A가 좋아하는 햄버거를 추천 Collaborative Filtering 종류 Neighborhood Method 유저와 아이템의 데이터를 연관하여 추천하기 때문에 쉽다. 복잡한 계산 과정이 필요하여 확장이 힘들다. Latent Factor Model 기본적으로 사용 Matrix Factorization Netflix Prize 논문에서 사용 Matrix Factorization 유저와 아이템간의 상호작용에는 유..

Focal Inverse Distance Transform Map Focal Inverse Distance Transform Maps for Crowd Localization Focal Inverse Distance Transform Map IEEE 2102.07925.pdf FIDTM 군중 분석의 중요한 측면인 군중 위치 파악에 초점을 맞춥니다. 이들은 밀집된 군중 장면에서 개인의 위치를 정확하게 찾기 위해 초점 역거리 변환(FIDT) 맵이라는 새로운 접근 방식을 제안한다. 밀집도 맵에 비해 FIDT 맵은 밀집된 지역에서 겹치지 않고 개별 위치를 더 잘 표현하며, 제안된 방법은 여러 군중 데이터 세트에서 최첨단 성능을 달성한다. 1. INTRODUCTION 군중 분석에는 Crowd Detection, ..