注意力图神经网络即可满足鲁棒大规模网络定位所需
机器学习
2025-04-08 v3 信号处理
机器学习
摘要
在本文中，我们设计带有注意力机制的图神经网络(GNNs)来解决一个重要却具挑战性的非线性回归问题：大规模网络定位。我们首先回顾先前基于图卷积网络(GCN)的网络定位方法，该方法通过仔细预选用于确定邻接的恒定阈值，即使在严重的非视距(NLOS)条件下也能展现最先进的定位精度。作为扩展，我们提出一种专门设计的注意力GNN(AGNN)模型，以解决基于GCN方法的敏感阈值问题并增强底层模型容量。AGNN由邻接学习模块(ALM)与多重图注意力层(MGAL)组成，采用不同的注意力架构来系统性地解决基于GCN方法的缺陷，使其更适用于现实应用。我们进行了全面分析以解释这些方法的优越性能，包括对AGNN动态注意力性质与计算复杂度的理论分析，以及对其抗NLOS测量鲁棒特性的系统性讨论。大量实验结果证明了基于GCN与基于AGNN的网络定位方法的有效性。值得注意的是，将注意力机制集成入AGNN在定位精度上带来实质提升，逼近基本下界，并相较原始基于GCN的方法在各种NLOS噪声配置下显示出约37%至53%的定位误差降低。两种方法在定位精度、鲁棒性与计算时间上均远超所有竞争方法，尤其对于相当大的网络规模。
引用
@article{arxiv.2311.16856,
title = {Attentional Graph Neural Network Is All You Need for Robust Massive Network Localization},
author = {Wenzhong Yan and Feng Yin and Juntao Wang and Geert Leus and Abdelhak M. Zoubir and Yang Tian},
journal= {arXiv preprint arXiv:2311.16856},
year = {2025}
}