基于图嵌入且少量训练样本的无线链路调度

设备到设备(D2D)网络中的链路调度通常被表述为一个非凸组合问题，一般是 NP-hard 且难以获得最优解。解决该问题的传统方法主要基于数学优化技术，其中需要通常经由信道估计与反馈获得的准确信道状态信息(CSI)。为克服传统方法的高计算复杂度并消除代价高昂的信道估计阶段，机器学习(ML)近来被引入以解决无线链路调度问题。在本文中，我们提出一种基于图嵌入的 D2D 网络链路调度新方法。我们首先为 D2D 网络构建一个全连接有向图，其中每个 D2D 对为一个节点，而 D2D 对之间的干扰链路为边。然后我们计算图中每个节点的低维特征向量。图嵌入过程基于通信与干扰链路两者的距离，因此不需要准确的 CSI。通过利用多层分类器，可基于各节点的图嵌入结果以监督方式学习调度策略。我们还提出一种无监督方式来训练基于图嵌入的方法，以进一步增强可扩展性与泛化能力，并开发一种 K 近邻图表示方法以降低计算复杂度。大量仿真表明，所提方法与现有最先进方法相比接近最优，但仅需数百个训练样本。其在面向更复杂场景的可扩展性与泛化能力方面同样具有竞争力。