机器学习遇见随机几何：无线网络的行列式子集选择
信息论
2019-05-03 v1 机器学习
网络与互联网体系结构
math.IT
摘要
在无线网络中，许多问题可表述为子集选择问题，目标是从全集选出子集以最大化某目标函数。这类问题通常为 NP-hard，因而通过精心构造的启发式方法求解，而这些方法本身多为 NP-complete，故不易应用于大型网络。另一方面，机器学习（ML）中子集选择问题出现在略有不同的语境下，其目标是从全集选出高质量且具多样性的条目子集。本文引入一种新颖的基于 DPP 的学习（DPPL）框架，用于高效求解无线网络中的子集选择问题。DPPL 旨在通过优化例程所选最优子集来学习质量-多样性权衡，以取代传统的子集选择优化算法。作为案例研究，我们将 DPPL 应用于无线链路调度问题，其目标是确定同时活跃链路的子集以最大化全网求和速率。我们证明所提 DPPL 以显著低于文献中该问题常用优化算法的计算复杂度逼近最优解。
引用
@article{arxiv.1905.00504,
title = {Machine Learning meets Stochastic Geometry: Determinantal Subset Selection for Wireless Networks},
author = {Chiranjib Saha and Harpreet S. Dhillon},
journal= {arXiv preprint arXiv:1905.00504},
year = {2019}
}