面向网络化空中计算的展开式深图学习

空中计算（AirComp）是一种新兴技术，使可通过无线信道同时传输和计算。本文研究了多簇网络化AirComp，允许多样化的数据计算，却面临信道协调和干扰管理等挑战。特别地，我们旨在最大化多簇加权求和AirComp速率，其中传输标量以及接收波束被联合考量，同时解决干扰问题。从优化视角看，我们将该问题分解并采用交替优化技术，以迭代方式近似求解。随后，我们通过算法展开原理来重新解释这些迭代，其中AirComp网络中的信道条件和相互干扰构成一种底层图。因此，提出的展开架构学习由图神经网络参数化的权重，通过随机梯度下降法进行训练。仿真结果表明，我们的方案优于传统方案，提出的展开式图学习显著减轻了干扰，实现了卓越的计算性能，并对动态和可扩展网络具有强大的适应性和效率。