.png){kind=icon}
返回
GDSG: Graph Diffusion-Based Solution Generator for Optimization Problems in MEC Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3568248.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
优化对于多接入边缘计算（MEC）网络的效率和可靠性至关重要。该领域中的许多优化问题属于NP难问题，且缺乏有效的近似算法。因此，通常缺乏最优（真实）数据，这限制了传统深度学习方法的效能。现有的大多数基于学习的方法需要大量最优数据，且未能利用次优数据的潜在优势，而次优数据可以更高效地获取。为说明此问题，我们聚焦于多服务器多用户计算卸载（MSCO）问题，这是MEC网络中缺乏高效最优解法的常见问题。在本文中，我们提出了基于图扩散的解生成器（GDSG），该生成器设计用于与次优数据集协同工作，同时仍以高概率收敛至最优解。我们将网络优化挑战重新表述为分布学习问题，并阐明如何从次优训练数据集中学习。我们开发了GDSG，这是一种多任务扩散生成模型，采用图神经网络（GNN）捕捉高质量解的分布。我们的方法包含一种简单高效的自启发式方法，用于生成由纯次优解组成的充足训练数据。在实现中，我们对GNN架构进行了改进，以提升泛化能力。此外，所提GDSG可实现接近100%的任务正交性，这有助于防止离散解生成与连续解生成训练目标间的负向干扰。我们证明这种正交性源于GDSG中的扩散相关训练损失，而非GNN架构本身。最后，实验表明，所提GDSG在最优和次优训练数据集上均优于其他基准方法。在计算卸载成本最小化方面，与现有判别方法相比，GDSG在真实训练集上实现最高56.62%的成本节省，在次优训练集上实现最高41.06%的成本节省。
Keyword:
Multi-access edge computing
network optimization
computation offloading
generative AI
graph diffusion
期刊
IF:
9.2
论文数:
5.8K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
Multi-UAV Trajectory Planning for Energy-Efficient Content Coverage: A Decentralized Learning-Based Approach用于节能内容覆盖的多无人机轨迹规划: 一种基于分散学习的方法
OAAI
OAAI分享收藏RouteNet: Leveraging Graph Neural Networks for Network Modeling and Optimization in SDNRouteNet: 利用图神经网络在SDN中进行网络建模和优化OAAI
OAAI分享收藏
查看更多内容