基于 Gumbel-Softmax 重参数化的联合波束赋形与整数用户关联
信号处理
2025-06-06 v1
摘要
机器学习（ML）模型能够通过设计波束赋形向量和关联决策来有效优化多小区无线网络。现有的 ML 设计通常需要对整数关联变量进行概率分布输出的近似。我们提出一种新型图神经网络（GNN）结构，联合优化波束赋形向量和用户关联，同时保证关联输出为整数。通过 Gumbel-Softmax（GS）重参数化满足整数关联约束，而不会增加计算复杂度。仿真结果表明，我们提出的 GS-based GNN 在实现整数关联决策方面始终如一地取得高和率，尤其在扩展到更大网络时，相较于所有其他分数关联方法表现更佳。
关键词
引用
@article{arxiv.2506.05241,
title = {Joint Beamforming and Integer User Association using a GNN with Gumbel-Softmax Reparameterizations},
author = {Qing Lyu and Mai Vu},
journal= {arXiv preprint arXiv:2506.05241},
year = {2025}
}