监督还是不监督：如何有效学习无线干扰管理模型？
信号处理
2021-12-30 v1 机器学习
摘要
机器学习在解决无线干扰管理问题上已取得成功。各类深度神经网络（DNN）已被训练来完成功率控制、波束成形和准入控制等关键任务。对于此类基于 DNN 的干扰管理模型，有两种流行的训练范式：监督学习（即拟合由优化算法生成的标签）和无监督学习（即直接优化某些系统性能度量）。尽管这两种范式都已在实践中广泛应用，但由于缺乏对这些方法的任何理论理解，如何系统性地理解和比较它们的性能尚不清楚。在这项工作中，我们进行了理论研究，以对这两种训练范式提供一些深入认识。首先，我们展示了一个有些令人惊讶的结果：对于某些特殊的功率控制问题，无监督学习可能比其监督对应方法表现差得多，因为它更可能陷入某些低质量的局部解。随后我们提供了一系列理论结果以进一步理解这两种方法的特性。一般而言，我们表明当高质量标签可用时，监督学习比其无监督对应方法更不容易陷入局部解。此外，我们开发了一种半监督学习方法，恰当地整合了这两种训练范式，并能有效利用有限数量的标签来找到高质量解。据我们所知，这些是首批试图理解基于学习的无线通信系统设计中不同训练方法的理论结果。
引用
@article{arxiv.2112.14011,
title = {To Supervise or Not: How to Effectively Learn Wireless Interference Management Models?},
author = {Bingqing Song and Haoran Sun and Wenqiang Pu and Sijia Liu and Mingyi Hong},
journal= {arXiv preprint arXiv:2112.14011},
year = {2021}
}