用于战术网络未来状态预测的时空图表示学习
机器学习
2024-07-16 v3 社会与信息网络
摘要
由于战术自组织网络的动态和多跳特性，其资源分配面临独特的挑战。准确预测未来的网络连通性对于此类环境中的有效资源分配至关重要。在本文中，我们引入了用于战术通信网络的时空图编码器-解码器（STGED）框架，该框架利用网络状态的时空特征来有效地学习潜在的战术行为。STGED 分层利用基于图的注意力机制对一系列通信网络状态进行空间编码，利用循环神经网络对状态的演化进行时间编码，并利用全连接前馈网络对未来状态的连通性进行解码。通过大量实验，我们证明 STGED 在不同的输入时间步上始终以较大优势优于基线模型，在战术通信网络的未来状态预测任务中实现了高达 99.2% 的准确率。
引用
@article{arxiv.2403.13872,
title = {Spatial-Temporal Graph Representation Learning for Tactical Networks Future State Prediction},
author = {Junhua Liu and Justin Albrethsen and Lincoln Goh and David Yau and Kwan Hui Lim},
journal= {arXiv preprint arXiv:2403.13872},
year = {2024}
}