用于学习数字与混合预编码器的梯度驱动图神经网络
信号处理
2025-03-11 v1
摘要
多用户多输入多输出（MU-MIMO）预编码器的优化是一个公认的挑战性问题。现有工作已展示了图神经网络在学习预编码策略方面的潜力。然而，现有的 GNN 在用户数或天线数方面通常表现出较差的泛化能力。本文开发了一种梯度驱动的 GNN 设计方法，用于学习全数字和混合预编码策略。所提 GNN 利用两种知识，即信干噪比（SINR）对预编码器的梯度和预编码策略的置换等变特性。为展示所提方法在适应不同优化目标和不同预编码策略方面的灵活性，首先将该方法应用于学习全数字预编码策略。研究了用于最大化频谱效率（SE）和最大化对数 SE 以实现比例公平的两种预编码器优化问题。随后将该方法应用于学习混合预编码策略，其中利用模拟和数字预编码器的梯度进行 GNN 设计。仿真结果表明，所提方法在学习不同预编码策略方面有效，且与基线 GNN 相比在用户数和天线数上具有更好的泛化性能。
引用
@article{arxiv.2503.06077,
title = {Gradient-Driven Graph Neural Networks for Learning Digital and Hybrid Precoder},
author = {Lin Zhang and Shengqian Han and Chenyang Yang},
journal= {arXiv preprint arXiv:2503.06077},
year = {2025}
}