Naukowcy z dziedziny uczenia maszynowego zaproponowali nowe podejście do problemu wyboru przekaźników w sieciach V2X (Vehicle-to-Everything). Problem polega na tym, że w gęsto zabudowanych miastach pojazdy mogą mieć problemy z bezpośrednią komunikacją z infrastrukturą ze względu na przeszkody i zmienne warunki kanału, dlatego konieczne jest przekierowywanie sygnałów przez inne pojazdy lub stacje bazowe. Optymalne wybieranie trasą dla takich przekaźników jest zadaniem obliczeniowo trudnym (NP-trudnym), a standardowe metody optymalizacyjne jak MILP są zbyt wolne dla wymagających niskich opóźnień aplikacji.
Rozwiązanie wykorzystuje Graph Isomorphism Network z cechami krawędzi (GINE) - typ sieci neuronowej specjalizującej się w analizie grafów. Każdy scenariusz sieciowy jest reprezentowany jako graf skierowany, gdzie węzły zawierają informacje o stanie pojazdu i zapotrzebowaniu na transmisję danych, a krawędzie reprezentują pojemność łączy radiowych. Sieć jest uczona na przykładach optymalnych rozwiązań wygenerowanych przez algorytm MILP, ale potem potrafi podejmować decyzje w jednym przejściu przez sieć - praktycznie w czasie rzeczywistym.
Wyniki eksperymentów na dużym zestawie danych pokazują, że GINE osiąga dokładność 95,89% w zgodzie z decyzjami MILP na poziomie poszczególnych łączy (F1-score 95,44%) i jednocześnie zapewnia praktyczne korzyści: do 12% poprawy w łączności dla czterech stacji bazowych i 9,2% dla dwóch stacji w porównaniu z tradycyjnymi metodami. Naukowcy zaproponowali też hybrydowe podejście (GP-MILP), które łączy przewidywania sieci z algorytmem MILP, ograniczając jego przestrzeń poszukiwań.