面向可扩展无线电资源管理的图神经网络：架构设计与理论分析
信息论
2020-10-30 v2 机器学习
信号处理
math.IT
摘要
深度学习近来已成为解决无线网络中具挑战性的无线电资源管理问题的颠覆性技术。然而，现有工作所采用的神经网络架构可扩展性、泛化性差且缺乏可解释性。改善可扩展性与泛化性的一个长期方法是将目标任务的结构融入神经网络架构。本文中，我们提出应用图神经网络（GNNs）来解决大规模无线电资源管理问题，并以有效的神经网络架构设计与理论分析为支撑。具体而言，我们首先证明无线电资源管理问题可表述为具有普适置换等变性的图优化问题。随后我们确定一类称为消息传递图神经网络（MPGNNs）的神经网络。结果表明它们不仅满足置换等变性，而且可泛化至大规模问题，同时具备高计算效率。为可解释性与理论保证，我们证明MPGNNs与一类分布式优化算法等价，并由此用于分析基于MPGNNs方法的性能与泛化性。以功率控制与波束成形为两个例子的广泛仿真将表明，所提方法以无监督方式用无标签样本训练，可匹配甚至超越经典的基于优化的算法，且无需领域特定知识。值得注意的是，所提方法高度可扩展，能在单个GPU上于6毫秒内求解含1000个收发对的中断信道中的波束成形问题。
引用
@article{arxiv.2007.07632,
title = {Graph Neural Networks for Scalable Radio Resource Management: Architecture Design and Theoretical Analysis},
author = {Yifei Shen and Yuanming Shi and Jun Zhang and Khaled B. Letaief},
journal= {arXiv preprint arXiv:2007.07632},
year = {2020}
}
备注
Accepted by IEEE Journal on Selected Areas in Communications - Series on Machine Learning for Communications and Networks