用于学习具有规模泛化能力的预编码策略的递归图神经网络

图神经网络 (GNN) 在优化功率分配和链路调度方面显示出良好的前景，具有很好的规模泛化能力和较低的训练复杂度。这些优点对于在动态环境下学习无线策略非常重要，部分原因在于 GNN 与待学习策略具有匹配的置换等变性 (PE) 属性。然而，文献中已经注意到，仅满足多天线系统中预编码策略的 PE 属性并不能保证用于学习预编码的 GNN 能够泛化到未见过的用户数量。将模型与 GNN 结合有助于提高规模泛化能力，但这仅适用于特定问题、设置和算法。在本文中，我们提出了一种规模泛化 GNN 框架，用于学习纯数据驱动的预编码策略，并且可以学习包括但不限于多用户多天线系统中的基带和混合预编码在内的无线策略。为此，我们首先发现了用于优化预编码的两种数值算法每次迭代的特殊结构，从中我们识别出影响 GNN 规模泛化能力的关键特征。然后，我们设计了具有这些关键特征并以递归方式满足预编码策略 PE 属性的规模泛化 GNN。仿真结果表明，所提出的 GNN 可以很好地泛化到用户数量，用于学习基带和混合预编码策略，并且与现有方法相比，在达到相同性能时所需的样本数量少得多。