ICGNN：面向MISO干扰信道的图神经网络可扩展波束成形
信号处理
2025-02-07 v1
摘要
本文研究了图神经网络（GNN）赋能的干扰信道波束成形设计。我们提出了一种称为干扰信道图神经网络（ICGNN）的模型，以求解服务质量约束下的能效最大化问题。ICGNN分为两个阶段，其中波束成形向量的方向部分和功率部分分别学习，但通过无监督学习联合训练。通过将特征的维度制定为与收发对数量无关，ICGNN可随收发对数量扩展。此外，为了提高ICGNN的性能，混合最大比传输和迫零方案减少了输出端口，特征增强模块将两种类型的链路统一为一种类型，子图表示增强了消息传递效率，多头注意力和残差连接促进了特征提取。此外，我们提出了ICGNN的空中分布式实现。消融研究验证了ICGNN中关键组件的有效性。数值结果也证明了ICGNN能够实现接近最优的性能，平均推理时间小于0.1毫秒。通过迁移学习以有限的微调成本，评估并增强了ICGNN对未见问题规模的可扩展性。展示了ICGNN集中式和分布式实现的结果。
引用
@article{arxiv.2502.03936,
title = {ICGNN: Graph Neural Network Enabled Scalable Beamforming for MISO Interference Channels},
author = {Changpeng He and Yang Lu and Bo Ai and Octavia A. Dobre and Zhiguo Ding and Dusit Niyato},
journal= {arXiv preprint arXiv:2502.03936},
year = {2025}
}