为无线资源分配设计具有期望置换性质的异构图神经网络
机器学习
2025-04-02 v3 系统与控制
系统与控制
摘要
图神经网络（GNNs）因其优越性能以及在可扩展性和规模泛化性方面的潜力，已被设计用于学习多种无线策略，即由环境参数到决策变量的映射。这些优势源于利用置换先验，即满足待学习策略的置换性质（称为期望置换性质）。许多无线策略具有复杂的置换性质。为满足这些性质，应使用异构 GNNs（HetGNNs）来学习此类策略。使 HetGNN 满足期望置换性质有两个关键因素：构建合适的异构图，以及审慎设计 HetGNN 的架构。然而，迄今为止图和 HetGNN 都是启发式设计的。本文致力于提供一种满足期望置换性质的系统性设计方法。我们首先提出一种为策略构建图的方法，其中为满足条件复杂的置换性质而定义边及其类型。然后，我们给出并证明了设计 HetGNN 的三个充分条件，使其在合适图上学习时能满足期望置换性质。这些条件建议了一种通过按图的顶点和边类型共享处理、组合与池化函数来设计具期望置换性质的 HetGNN 的方法。我们以功率分配和混合预编码策略为例，展示如何应用所提方法，并通过仿真验证置换先验的影响。
引用
@article{arxiv.2203.03906,
title = {Designing Heterogeneous GNNs with Desired Permutation Properties for Wireless Resource Allocation},
author = {Jianyu Zhao and Chenyang Yang and Tingting Liu},
journal= {arXiv preprint arXiv:2203.03906},
year = {2025}
}