基于图神经网络的异构无线网络中可扩展功率控制/波束成形
机器学习
2024-10-28 v2 信号处理
摘要
机器学习(ML)已广泛用于无线网络中的高效资源分配(RA)。尽管在小型简单网络上取得了优异性能,但大多数现有基于ML的方法在出现异构性且网络规模扩大时面临困难。本文针对异构设备到设备(D2D)网络中的功率控制/波束成形(PC/BF),提出一种名为异构干扰图神经网络(HIGNN)的新型无监督学习框架以应对这些挑战。首先,我们利用异构图刻画多样化的链路特征与干扰关系。随后,提出HIGNN,使每条链路在与相邻链路进行有限信息交换后获得其各自的传输方案。值得注意的是,HIGNN在小型网络上训练后,可扩展至规模不断增长的无线网络且性能稳健。数值结果表明,与最先进的基准相比,HIGNN在执行效率大幅提升的同时保持了强劲性能。
引用
@article{arxiv.2104.05463,
title = {Scalable Power Control/Beamforming in Heterogeneous Wireless Networks with Graph Neural Networks},
author = {Xiaochen Zhang and Haitao Zhao and Jun Xiong and Li Zhou and Jibo Wei},
journal= {arXiv preprint arXiv:2104.05463},
year = {2024}
}
备注
6 pages, 6 figures, accepted by IEEE GLOBECOM 2021