基于元学习的图神经网络无线资源管理
信号处理
2024-08-30 v1
摘要
本文考虑动态无线网络中的无线资源管理（RRM）问题，涉及多个共享相同频谱资源的通信链路。为实现高网络吞吐量同时确保所有链路的公平性，我们构建具有每个用户最小速率约束的鲁棒功率优化问题。我们获得相应的拉格朗日对偶问题并使用神经网络对所有变量进行参数化，该方法因双重间隙可接受而可无监督地进行训练。我们开发了一种基于图神经网络（GNNs）的元学习方法，具有快速适应和针对不同网络配置的可扩展性。我们通过合并不同网络配置的拉格朗日函数来构建元学习目标，并利用称为Reptile的的一阶元学习算法获取元参数。数值结果验证，我们的方法能够有效提高总体吞吐量并确保最小速率性能。我们进一步表明，使用元参数作为初始化，本方法能够快速适应新的无线网络配置并减少所需训练数据的数量。
引用
@article{arxiv.2408.16239,
title = {Meta-Learning Empowered Graph Neural Networks for Radio Resource Management},
author = {Kai Huang and Le Liang and Xinping Yi and Hao Ye and Shi Jin and Geoffrey Ye Li},
journal= {arXiv preprint arXiv:2408.16239},
year = {2024}
}