QT-Routenet：通过排队论预测微调改进 GNN 对更大规模 5G 网络的泛化能力
网络与互联网体系结构
2022-10-05 v1 机器学习
摘要
为促进机器学习在 5G 中的应用，国际电信联盟（ITU）于 2021 年提出了第二届 ITU AI/ML in 5G 挑战赛，来自 82 个国家的超过 1600 人参与。本工作详述了总体第二名方案，也是 2021 图神经组网挑战赛的获胜方案。我们解决了将模型应用于路径可能更长、链路容量可能大于训练时所见规模的 5G 网络时的泛化问题。为此，我们提出首先提取与排队论（QT）相关的鲁棒特征，随后使用改进的 Routenet 图神经网络（GNN）模型对解析基线预测进行微调。所提方案的泛化能力远优于单纯使用 Routenet，并将解析基线的 10.42 平均绝对百分比误差降至 1.45（集成后为 1.27）。这表明对已知鲁棒的近似模型做微小改动，可成为在不损害泛化前提下提升精度的有效途径。
引用
@article{arxiv.2207.06336,
title = {QT-Routenet: Improved GNN generalization to larger 5G networks by fine-tuning predictions from queueing theory},
author = {Bruno Klaus de Aquino Afonso and Lilian Berton},
journal= {arXiv preprint arXiv:2207.06336},
year = {2022}
}