GRLin：基于图强化学习的设备到设备通信智能频谱共享机制
网络与互联网体系结构
2024-08-20 v1 信息论
机器学习
math.IT
摘要
无线通信中的设备到设备（D2D）频谱共享是一个具有挑战性的非凸组合优化问题，涉及大规模网络中纠缠的链路调度和功率控制。现有的最先进方法，无论是基于模型还是基于数据驱动，都存在一定的局限性，例如需要信道状态信息（CSI）或大量已解决的实例（如网络场景）作为训练样本。为了推进这一研究方向，我们提出了一种新颖的混合模型/数据驱动的频谱共享机制，该机制将图强化学习用于链路调度（GRLin），将信息论见解注入机器学习模型，从而能够以智能且可解释的方式解决链路调度和功率控制问题。通过大量实验，GRLin在性能上优于现有的基于模型和基于数据驱动的链路调度和/或功率控制方法，同时放宽了对CSI的要求，减少了对已解决训练样本的需求，支持分布式部署，降低了在线和离线计算复杂度，并且展现出优异的可扩展性和泛化能力。
引用
@article{arxiv.2408.09394,
title = {GRLinQ: An Intelligent Spectrum Sharing Mechanism for Device-to-Device Communications with Graph Reinforcement Learning},
author = {Zhiwei Shan and Xinping Yi and Le Liang and Chung-Shou Liao and Shi Jin},
journal= {arXiv preprint arXiv:2408.09394},
year = {2024}
}