基于双变量回归的快速状态增强无线资源分配学习
信号处理
2025-06-24 v1 机器学习
摘要
我们考虑的是多用户无线网络中的资源分配问题，目标是优化网络范围内的效用函数，同时受制于对用户 ergodic 平均性能的约束。我们展示了一种基于状态增强图神经网络 (GNN) 的参数化方法，可规避普遍的双变量子梯度方法的缺点，将网络配置（或状态）表示为图，并将双变量视为由模型视为在图上支持的图信号。Lagrangian 最大化状态增强策略将在离线训练阶段学习，而双变量将通过在推断阶段执行所学状态增强策略时的梯度更新而演化。我们的主要贡献在于说明如何通过双变量回归实现对双变量初始值的近最优初始化以加快推断速度，以及如何通过对从双变量下降动力学中抽样的乘子进行 Lagrangian 最大化，大大改善了状态增强模型的训练。我们通过大量数值实验在射频功率控制案例中展示了所提出算法的优越性能。最后，我们证明了一个收敛结果以及双函数（迭代）最优间隙的指数概率界。
引用
@article{arxiv.2506.18748,
title = {Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression},
author = {Yigit Berkay Uslu and Navid NaderiAlizadeh and Mark Eisen and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2506.18748},
year = {2025}
}
备注
This work has been submitted to the IEEE TSP for possible publication