ترجمه فارسی مقاله DiffSG: یک حل کننده تولیدی برای بهینه سازی شبکه با مدل انتشار

چکیده

Diffusion generative models, famous for their performance in image generation, are popular in various cross-domain applications. However, their use in the communication community has been mostly limited to auxiliary tasks like data modeling and feature extraction. These models hold greater promise for fundamental problems in network optimization compared to traditional machine learning methods. Discriminative deep learning often falls short due to its single-step input-output mapping and lack of global awareness of the solution space, especially given the complexity of network optimization’s objective functions. In contrast, diffusion generative models can consider a broader range of solutions and exhibit stronger generalization by learning parameters that describe the distribution of the underlying solution space, with higher probabilities assigned to better solutions. We propose a new framework Diffusion Model-based Solution Generation (DiffSG), which leverages the intrinsic distribution learning capabilities of diffusion generative models to learn high-quality solution distributions based on given inputs. The optimal solution within this distribution is highly probable, allowing it to be effectively reached through repeated sampling. We validate the performance of DiffSG on several typical network optimization problems, including mixed-integer non-linear programming, convex optimization, and hierarchical non-convex optimization. Our results show that DiffSG outperforms existing baselines. In summary, we demonstrate the potential of diffusion generative models in tackling complex network optimization problems and outline a promising path for their broader application in the communication community.

چکیده به فارسی (ترجمه ماشینی)

مدل های تولیدی انتشار ، مشهور به عملکرد آنها در تولید تصویر ، در برنامه های مختلف دامنه متقابل محبوب هستند.با این حال ، استفاده از آنها در جامعه ارتباطات بیشتر به کارهای کمکی مانند مدل سازی داده ها و استخراج ویژگی ها محدود شده است.این مدلها وعده بیشتری برای مشکلات اساسی در بهینه سازی شبکه در مقایسه با روشهای یادگیری ماشین سنتی دارند.یادگیری عمیق تبعیض آمیز اغلب به دلیل نقشه برداری تک مرحله ای-خروجی و عدم آگاهی جهانی از فضای راه حل ، به ویژه با توجه به پیچیدگی عملکردهای هدف بهینه سازی شبکه ، کوتاه می آید.در مقابل ، مدلهای تولیدی انتشار می توانند طیف گسترده تری از راه حل ها را در نظر بگیرند و با پارامترهای یادگیری که توزیع فضای محلول اساسی را توصیف می کند ، تعمیم قوی تری نشان دهد ، با احتمال بالاتر به راه حل های بهتر.ما یک تولید راه حل مبتنی بر مدل انتشار چارچوب جدید (DIFFSG) را پیشنهاد می کنیم ، که از قابلیت های یادگیری توزیع ذاتی از مدلهای تولیدی انتشار برای یادگیری توزیع راه حل با کیفیت بالا بر اساس ورودی های داده شده استفاده می کند.راه حل بهینه در این توزیع بسیار محتمل است ، و این امکان را می دهد تا از طریق نمونه گیری مکرر به طور مؤثر حاصل شود.ما عملکرد DIFFSG را در چندین مشکل بهینه سازی شبکه معمولی ، از جمله برنامه نویسی غیر خطی مخلوط ، بهینه سازی محدب و بهینه سازی غیر متمایز سلسله مراتبی ، تأیید می کنیم.نتایج ما نشان می دهد که DiffsG از خطوط اصلی موجود بهتر است.به طور خلاصه ، ما پتانسیل مدلهای تولیدی انتشار را در مقابله با مشکلات بهینه سازی شبکه پیچیده نشان می دهیم و یک مسیر امیدوارکننده را برای کاربرد گسترده تر آنها در جامعه ارتباطات ترسیم می کنیم.