带 QoS 保证的功率控制:一种基于可微投影的无监督学习框架

深度神经网络(DNNs)正成为解决 NP 难无线资源分配问题的潜在方案。然而,在存在复杂约束(例如用户服务质量(quality-of-service, QoS)约束)的情况下,保证约束满足成为一项根本挑战。本文中,我们提出一种新颖的无监督学习框架来解决多用户干扰信道中的经典功率控制问题,其目标是在用户最低数据速率或 QoS 需求以及功率预算约束下最大化网络总和速率。利用可微投影函数,我们给出了两种新颖的深度学习(DL)方案。第一种称为深度隐式投影网络(Deep Implicit Projection Network, DIPNet),第二种称为深度显式投影网络(Deep Explicit Projection Network, DEPNet)。DIPNet 利用可微凸优化层隐式定义投影函数。另一方面,DEPNet 使用显式定义的投影函数,其具有迭代性质并依赖于可微校正过程。DIPNet 要求凸约束;而 DEPNet 不要求凸性且计算复杂度更低。为了进一步提升所提模型的总和速率性能,我们将 Frank-Wolfe 算法(FW)应用于所提模型的输出。大量仿真表明,与现有 DNN 相比,所提 DNN 方案不仅提升了可达数据速率,还实现了零约束违反概率。所提方案在计算时间复杂度方面优于经典优化方法。