面向可扩展与可泛化的波束赋形：半 amortize 提升学习-优化掩码 Transformer 模型

我们开发了一个无监督的深度学习框架，用于实现多用户单输入多输出 (MU-MISO) 系统中下行波束赋形的实时可扩展性和可泛化。 proposed semi-amortized lifted learning-to-optimize (SALLO) 框架采用多层 Transformer 来迭代细化辅助变量和波束赋形解，每个层中进行若干投影梯度上升步骤。SALLO Transformer 模型的关键特性是能够处理不同用户数和天线数的可变配置，这通过用户-天线双分词和结构化样本/注意力掩码方案实现，从而在不同配置之间实现泛化而无需重新训练。为提高收敛性和鲁棒性，我们引入了三种训练策略：(a) 滑动窗口训练以稳定梯度传播，(b) 带随机掩码的课程学习以实现用户-天线配置的泛化并防止早期阶段的差异收敛，(c) 样本重放以缓解多阶段训练中的灾难性遗忘。消融研究验证了若干关键架构设计，表明增强的训练方案在提高泛化性和解质量方面均取得显著效果。在高斯信道和稀疏信道上的仿真结果表明，所提出的方案在 diverse system configurations and channel conditions 下 consistently 优于现有的深度学习基线，性能提升在 overloaded 条件下尤为显著，凸显了在挑战性场景下的鲁棒性。此外，我们的方案在 underloaded 系统中超越了 WMMSE 基准，甚至在 overloaded 系统中当 overloading factor 低于某阈值时也能超越。这些收益以快速推理和显著轻量化的模型实现，远胜于无线基础模型。