基于异质图神经网络学习蜂窝系统功率控制
机器学习
2020-11-09 v1 系统与控制
系统与控制
摘要
利用深度学习优化多小区蜂窝网络中的功率控制，使这一非凸问题得以实时实现。当信道时变时，深度神经网络（DNNs）需频繁重训练，这就要求低训练复杂度。为减少达到良好性能所需的训练样本数及DNN规模，一种有前景的方法是将先验知识嵌入DNNs。由于蜂窝网络可建模为图，自然地可采用图神经网络（GNNs）进行学习，其展现出置换不变性（PI）与置换等价性（PE）性质。不同于已用于无线问题的同质GNNs（其输出对任意顶点置换不变或等价），更适于建模蜂窝网络的异质GNNs（HetGNNs）仅对部分置换不变或等价。若HetGNN的PI或PE性质与待学任务的性质不匹配，性能将急剧下降。本文中，我们表明功率控制策略具有不同PI与PE性质的组合，且现有HetGNN不满足这些性质。随后我们为HetGNN设计了一种参数共享方案，使所学关系满足期望性质。仿真结果表明，在达到相同于数值解的和速率损失时，所设计的GNN学习多用户多小区网络中最优功率控制策略所需的样本复杂度与规模远低于现有DNNs。
引用
@article{arxiv.2011.03164,
title = {Learning Power Control for Cellular Systems with Heterogeneous Graph Neural Network},
author = {Jia Guo and Chenyang Yang},
journal= {arXiv preprint arXiv:2011.03164},
year = {2020}
}