大规模无线通信网络中的图神经网络：随机几何图上的可扩展性
信号处理
2025-10-02 v1
摘要
无线系统的复杂性日益增长，推动了从传统方法向基于学习的解决方案的转变。图神经网络（GNNs）特别适合此场景，因为无线网络可以自然地表示为图。GNN的一个关键属性是可迁移性：在一个图上训练的模型通常能以很小的性能损失对更大的图进行泛化。虽然已有经验性研究表明GNN-based无线策略在有效迁移，但现有的理论保证并未捕捉到这一现象。大多数工作关注稠密图，其中节点度随网络大小而增长，这一假设在无线系统中并不成立。在本工作中，我们为随机几何图（RGGs）上的可迁移性提供了形式化的理论基础，这是一种稀疏且广泛使用的无线网络模型。我们进一步通过在功率分配等基本资源管理任务上的数值实验验证了我们的结果。
引用
@article{arxiv.2510.00896,
title = {Graph Neural Networks in Large Scale Wireless Communication Networks: Scalability Across Random Geometric Graphs},
author = {Romina Garcia Camargo and Zhiyang Wang and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2510.00896},
year = {2025}
}