面向D2D网络的知识驱动资源分配：一种WMMSE展开图神经网络方法
系统与控制
2023-07-13 v1 系统与控制
摘要
本文提出一种利用图神经网络（GNN）架构的、用于设备到设备（D2D）网络中资源分配的知识驱动新方法。为满足动态网络环境所需的毫秒级时效性与可扩展性，我们所提方法将加权最小均方误差（WMMSE）算法（称为领域知识）的深度展开嵌入GNN，从而在适应不同数据分布的同时降低计算时延与样本复杂度。具体而言，GNN架构中的聚合与更新函数通过利用WMMSE算法的求和与幂计算分量来设计，从而提升模型泛化能力与可解释性。对所提方法的理论分析表明，其能够简化复杂的端到端映射并缩减模型探索空间，进而增强网络表达力与优化性能。仿真结果表明，所提知识驱动资源分配方法在多种通信拓扑下无需重新训练即具备鲁棒性、可扩展性与优异性能。我们的发现有助于为具有严格时延需求的分布式动态网络开发高效且可扩展的无线资源管理方案。
引用
@article{arxiv.2307.05882,
title = {Knowledge-Driven Resource Allocation for D2D Networks: A WMMSE Unrolled Graph Neural Network Approach},
author = {Hao Yang and Nan Cheng and Ruijin Sun and Wei Quan and Rong Chai and Khalid Aldubaikhy and Abdullah Alqasir and Xuemin Shen},
journal= {arXiv preprint arXiv:2307.05882},
year = {2023}
}