用图神经网络学习弹性无线资源管理策略
信号处理
2023-03-16 v2 信息论
机器学习
math.IT
机器学习
摘要
我们考虑无线干扰网络中的用户选择与功率控制问题，该网络由多个接入点（APs）通过共享无线介质与一组用户设备（UEs）通信构成。为实现高总速率，同时确保所有用户的公平性，我们构建了一个弹性无线资源管理（RRM）策略优化问题，其具有随底层网络条件通过可学习松弛变量自适应的每用户最小容量约束。我们在拉格朗日对偶域中重新表述该问题，并表明可使用有限参数集参数化RRM策略，得益于可证明的小对偶间隙，这些参数可与松弛变量和对偶变量通过无监督原始-对偶方法一同训练。我们采用可扩展且置换等变的图神经网络（GNN）架构，基于由瞬时信道条件导出的图拓扑来参数化RRM策略。通过实验结果，我们验证了最小容量约束可自适应底层网络配置与信道条件。我们进一步证明，得益于此种自适应，与基线算法相比，我们所提方法在平均速率与第5百分位速率（一种量化资源分配决策中公平程度的指标）之间实现了更优的权衡。
引用
@article{arxiv.2203.11012,
title = {Learning Resilient Radio Resource Management Policies with Graph Neural Networks},
author = {Navid NaderiAlizadeh and Mark Eisen and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2203.11012},
year = {2023}
}
备注
Accepted by IEEE Transactions on Signal Processing. Code available at https://github.com/navid-naderi/Resilient_RRM_GNN