基于图神经网络进行资源分配的尺寸泛化
信号处理
2022-05-02 v1
摘要
尺寸泛化对于学习无线策略十分重要，此类策略往往具有动态尺寸，例如由时变用户数引起。近期关于学习优化资源分配的工作经验性表明，图神经网络(GNNs)能够泛化至不同问题规模。然而，GNNs 并不能保证跨输入尺寸泛化。在本文中，我们着力分析 GNNs 在学习置换等变(PE)策略时的尺寸泛化机制。我们发现 GNN 的聚合函数与激活函数对其尺寸泛化能力起关键作用。我们以具有均值聚合器的 GNN(称为 mean-GNN)为例阐明一种尺寸泛化条件，并解释文献中若干无线通信 GNN 为何能良好泛化至问题规模。为说明如何依据我们的发现设计具尺寸泛化性的 GNNs，我们考虑功率与带宽分配，并建议为学习 PE 策略在 mean-GNN 的输出层中选择或预训练激活函数。仿真结果表明，所提 GNN 能良好泛化至用户数量，验证了我们对 GNN 学习 PE 策略时尺寸泛化条件的分析。
引用
@article{arxiv.2204.13972,
title = {Size Generalization for Resource Allocation with Graph Neural Networks},
author = {Wu Jiajun and Sun Chengjian and Yang Chenyang},
journal= {arXiv preprint arXiv:2204.13972},
year = {2022}
}
备注
30 pages, 7 figures