无线网络中可解释Kolmogorov-Arnold网络的公平性-利用率权衡

用户发射功率的有效分配对6G无线网络带来的显著进步至关重要。近期研究中，深度神经网络（DNNs）被用于解决这一挑战。然而，这些方法在决策时经常遇到公平性和计算效率问题，使其不适合未来高度依赖每个个体用户参与的动态服务。为填补这一空白，本文聚焦于无线网络中的发射功率分配挑战，旨在优化α-公平性以平衡网络利用率和用户公平性。我们提出了一种利用Kolmogorov-Arnold网络（KANs）的新方法，这类机器学习模型通过卓越的可解释性，相比传统DNNs提供较低的推理成本。研究提供了完整的问题表述，确立了功率分配问题的NP-hard性。然后，提出了两种算法用于数据集生成和去中心化KAN训练，为在动态6G环境中实现各种公平性目标提供了灵活框架。广泛的数值模拟证明了我们的方法在公平性和推理成本方面的有效性。结果强调了KANs克服现有基于DNN方法局限性的潜力，特别是在需要快速适应和公平性的场景中。