边缘计算的发展

智慧城市——5G的应用领域

5G被认为是万物互联的开始，其本质是更广、更快、更强的依据无线传感器的信息技术，指向了更高效、更及时的资源运用。5G将不仅仅带来网速的提高，更意味着可靠的低延时海量物联网。根据技术发展趋势，2020年前后，5G的应用将趋于成熟，智慧城市建设也将步入一个崭新阶段。5G为智能城市的电网/动力、交通、安防等方面供给了直接的处理计划，带来多方面社会效益和经济效益。

1、智慧家居

智能家居系统实现对各个设备的控制管理，实际上是通过信息的传输和连接实现的，目前所有的智能家居设备都在低功率下运行，并且通过不同的方式相互交换信息，这样一来就增加了设备传输间的延时问题，这直接影响了整个智能家居生活的体验。而5G网络每秒传输速度达10Gb，将有助于信息的检测和管理，使得整个系统更为稳定，传输速率更快。这样一来，智能设备之间的“感知”将更精确更迅速，有利于提高整个智能家居控制系统的智慧化程度。

5G时代到来后，智能家居产品将更灵敏，其它传统家电设备的响应速度也会大幅提升，智能家居系统能承载更多的设备连接、传输更大的流量。

2、智慧交通

5G和云计算等技术联合，可以实现车与车、车与路之间的实时信息交互，传输彼此的位置、速度、行事路径，避免交通拥堵，还可以为城市交通规划者提供预测模型。依据5G的智能交通体系将更为联动，能够进步社区交通功率，削减阻塞的发作。对于公共交通，5G可以帮助减少乘客等待时间，优化公交车库存，提供实时更新的乘客信息、车辆信息，甚至支持动态公交路线;车辆、路灯等设备的信息互通还能帮助智能泊车，避免停车位的拥堵和闲置，提高27%的停车收入。

此外，5G智慧交通将帮助实现车型分类，根据路段运载能力安排车辆形式路线，支持智能交通管理，每年为中型城市的司机和相关人员节省约1亿美元，减少40%的交通阻塞事件，从而带来额外的生产力，改善居民生活质量。同时，智能驾驶也为网络提出了大容量、低时延、高可靠的更高要求。
 

除了参数量变少之外，真正的增益之处在于训练速度更快了。由于研究者在基础预测中没有使用图结构，与其他模型相比，C&S 模型在保持准确率相当的同时往往实现了训练速度的数量级提升。

具体而言，与 OGB-Products 数据集上的 SOTA GNN 相比，具有线性基础预测器的 C&S 框架表现出更高的准确率，并且训练时长减至 1/100，参数量降至 1/137。

性能可视化

为了更好地理解 C&S 模型的性能，研究者将 US County 数据集上的预测结果进行了可视化操作，具体如下图 3 所示。正如预期的一样，对于相邻 county 提供相关信息的节点而言，残差关联往往会予以纠正。
 

节点分类的初步结果

下表 2 给出了相关实验结果，研究者得出了以下几点重要发现。首先，利用本文提出的 C&S 模型，LP 后处理步骤会带来巨大增益(如在 Products 数据集上，MLP 的基础预测准确率由 63% 提升至 84%);其次，具有 C&S 框架的 Plain Linear 模型的性能在很多情况下优于 plain GCN，并且无可学习参数的方法 LP 的性能通常也媲美于 GCN。这些结果表明，通过简单使用特征在图中直接合并关联往往是更好的做法;最后，C&S 模型变体在 Products、Cora、Email、Rice31 和 US County 等 5 个数据集上的性能通常显著优于 SOTA。在其他数据集上，表现最佳的 C&S 模型与 SOTA 性能之间没有太大的差距。
 

通过对这些经典 idea 进行改进和新的部署，该研究在多个节点分类任务上实现了 SOTA 性能，超过大型 GNN 模型。在该框架中，图结构不用于学习参数，而是用作后处理机制。这种简单性使模型参数和训练时间减少了几个数量级，并且可以轻松扩展到大型图中。此外，该方法还可以与 SOTA GNN 结合，实现一定程度的性能提升。

该方法性能提升的主要来源是直接使用标签进行预测。这并不是一个新想法，但很少用于 GNN。该研究发现，即使是简单的标签传播(忽略特征)也能在许多基准测试中取得出色的效果。这为结合以下两种预测能力来源提供了动力：一个来源于节点特征(忽略图结构)，另一个来源于在预测中直接使用已知标签。

具体而言，该方法首先使用一个基于节点特征的基础预测器，它不依赖于任何图学习。然后，执行两种类型的标签传播 (LP)：一种通过建模相关误差来校正基础预测;一种用来平滑最终预测。研究人员将这两种方法的结合称作 Correct and Smooth(C&S，参见图 1)。LP 只是后处理步骤，该 pipeline 并非端到端训练。此外，图只在后处理步骤中使用，在前处理步骤中用于增强特征，但不用于基础预测。这使得该方法相比标准 GNN 模型训练更快速，且具备可扩展性。

该研究还利用两种 LP 和节点特征的优势，将这些互补信号结合起来可以获得优秀的预测结果。

实验

为了验证该方法的有效性，研究者使用了 Arxiv、Products、Cora、Citeseer、Pubmed、Email、Rice31、US County 和 wikiCS 九个数据集。

（编辑：南昌站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!