干扰受限的超可靠低时延通信：图神经网络还是随机几何？
信号处理
2022-07-20 v2 机器学习
摘要
在本文中，我们旨在改善干扰受限无线网络中超可靠低时延通信（URLLC）的服务质量（QoS）。为了在信道相干时间内获得时间分集，我们首先提出了一种随机化干扰功率的随机重复方案。然后，我们优化每个数据包的预留时隙数和重复次数，以最小化 QoS 违例概率（定义为无法实现 URLLC 的用户百分比）。我们构建了一个级联随机边图神经网络（REGNN）来表示该重复方案，并开发了一种无模型无监督学习方法来训练它。我们在对称场景下使用随机几何分析 QoS 违例概率，并应用基于模型的穷举搜索（ES）方法来寻找最优解。仿真结果表明，在对称场景下，无模型学习方法和基于模型的 ES 方法所达到的 QoS 违例概率几乎相同。在更一般的场景中，级联 REGNN 在不同规模、网络拓扑、小区密度和频率复用因子的无线网络中泛化性非常好。在存在模型失配的情况下，它优于基于模型的 ES 方法。
引用
@article{arxiv.2207.06918,
title = {Interference-Limited Ultra-Reliable and Low-Latency Communications: Graph Neural Networks or Stochastic Geometry?},
author = {Yuhong Liu and Changyang She and Yi Zhong and Wibowo Hardjawana and Fu-Chun Zheng and Branka Vucetic},
journal= {arXiv preprint arXiv:2207.06918},
year = {2022}
}
备注
Submitted to IEEE journal for possible publication