学习资源分配策略:顶点 GNN 还是边 GNN?
机器学习
2023-12-27 v2 信号处理
摘要
图神经网络(GNNs)通过处理和池化相邻顶点与边的信息并相结合以利用拓扑信息,来更新顶点的隐表示(称为 Vertex-GNNs)或边的隐表示(称为 Edge-GNNs)。在学习资源分配策略时,若 GNNs 的表达能力弱,即无法区分所有输入特征(如信道矩阵),则表现不佳。本文中,我们分析了 Vertex-GNNs 与 Edge-GNNs 在学习三种代表性无线策略——链路调度、功率控制与预编码策略——时的表达能力。我们发现 GNNs 的表达能力取决于处理与组合函数的线性性与输出维度。当使用线性处理器时,Vertex-GNNs 因信道信息丢失而无法区分所有信道矩阵,而 Edge-GNNs 可以。在学习预编码策略时,即便带有非线性处理器的 Vertex-GNNs 也可能因维度压缩而不具备强表达能力。我们进而给出 GNNs 良好学习预编码策略的必要条件。仿真结果验证了上述分析,并表明 Edge-GNNs 能以低得多的训练与推理时间取得与 Vertex-GNNs 相同的性能。
引用
@article{arxiv.2307.12480,
title = {Learning Resource Allocation Policy: Vertex-GNN or Edge-GNN?},
author = {Yao Peng and Jia Guo and Chenyang Yang},
journal= {arXiv preprint arXiv:2307.12480},
year = {2023}
}