ENGNN：一种支持通用边更新的图神经网络架构用于无线网络中的无线资源管理
网络与互联网体系结构
2023-01-03 v1 人工智能
信息论
math.IT
摘要
为了在未来无线网络中实现高速率与泛在连接，一项关键任务是通过合理的波束成形与功率分配来高效管理无线资源。遗憾的是，常用基于优化算法的迭代特性因高计算复杂度而无法满足低时延要求。对于实时实现，基于深度学习的方法，尤其是图神经网络（GNNs），已展现出良好的可扩展性与泛化性能，这得益于其置换等变（PE）性质。然而，当前架构仅配备节点更新机制，这限制了其在更一般场景中的应用，即未知变量也定义在图边上。为弥补这一不足，我们提出了一种边更新机制，使 GNNs 能同时处理节点与边变量，并证明了其相对于发射机与接收机的 PE 性质。在典型无线资源管理问题上的仿真结果表明，所提方法取得了更高的和速率，且计算时间远短于最先进方法，并在不同基站与用户数、不同噪声方差、干扰水平和发射功率预算下均具有良好泛化能力。
引用
@article{arxiv.2301.00757,
title = {ENGNN: A General Edge-Update Empowered GNN Architecture for Radio Resource Management in Wireless Networks},
author = {Yunqi Wang and Yang Li and Qingjiang Shi and Yik-Chung Wu},
journal= {arXiv preprint arXiv:2301.00757},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2212.08020