基于图神经网络从真实网络配置中学习蜂窝覆盖
网络与互联网体系结构
2023-04-21 v1 机器学习
摘要
蜂窝覆盖质量估计一直是自组织网络中的一项关键任务。在真实场景中，由于在网络设计与优化过程中能提供的基础真值很少，基于深度学习的覆盖质量估计方法难以扩展到大面积区域。此外，它们在生成具有表现力的嵌入以充分捕捉小区配置变化方面存在不足。为应对这一挑战，我们将该任务表述为图表示形式，从而能够应用表现出卓越性能的最先进图神经网络。我们提出了一种新颖的训练框架，既能生成高质量的小区配置嵌入用于估计多个KPI，又显示出在仅给定极少标记小区的情况下泛化到大型（全域）场景的能力。我们表明，该框架所取得的精度与使用海量标记样本训练的模型相当。
引用
@article{arxiv.2304.10328,
title = {Learning Cellular Coverage from Real Network Configurations using GNNs},
author = {Yifei Jin and Marios Daoutis and Sarunas Girdzijauskas and Aristides Gionis},
journal= {arXiv preprint arXiv:2304.10328},
year = {2023}
}
备注
Accepted at 2023 IEEE VTC-Spring