基于半监督表示学习的异构超密集网络联合用户关联与功率分配
网络与互联网体系结构
2021-03-30 v1 人工智能
信息论
math.IT
摘要
异构超密集网络（HUDN）因其能够实现更高的连接密度与超高数据速率，而成为至关重要的网络架构之一。HUDN 中合理的用户关联与功率控制调度可减小无线干扰。本文提出一种解决联合用户关联与功率控制问题的新思路：最优用户关联与基站发射功率可由信道信息表示。随后，我们通过构建最优表示函数来求解该问题。我们将 HUDN 建模为异构图，并训练图神经网络（GNN）以半监督学习方式逼近该表示函数，其损失函数由无监督部分（帮助 GNN 逼近最优表示函数）与有监督部分（利用既往经验减少无用探索）组成。我们将学习过程分为两部分：泛化表示学习（GRL）部分与专门化表示学习（SRL）部分，分别训练 GNN 以学习面向广义场景与准静态用户分布场景的表示。仿真结果表明，所提基于 GRL 的方案比传统优化算法具有更高的计算效率，且 SRL 的性能优于 GRL。
引用
@article{arxiv.2103.15367,
title = {Joint User Association and Power Allocation in Heterogeneous Ultra Dense Network via Semi-Supervised Representation Learning},
author = {Xiangyu Zhang and Zhengming Zhang and Luxi Yang},
journal= {arXiv preprint arXiv:2103.15367},
year = {2021}
}