理解基于GNN与CNN学习预编码策略的性能
信号处理
2024-02-02 v3
摘要
基于学习的预编码已被证明能够实时实现、与信道获取联合优化，并对不完美信道具有鲁棒性。然而，以往工作很少解释设计选择和学习性能，且现有方法要么训练复杂度高，要么依赖于特定问题的模型。在本文中，我们通过分析预编码策略的性质和神经网络的归纳偏置来解决这些问题，注意到学习性能可分解为近似误差和估计误差，其中前者与策略的光滑性有关，而两者都依赖于神经网络的归纳偏置。为此，我们引入图神经网络（GNN）来学习预编码策略，并分析其与常用卷积神经网络（CNNs）的联系。以求和速率最大化预编码策略为例，我们解释了为何所学习的预编码策略在低信噪比区间、空间不相关信道中以及用户数远少于天线数时表现良好，以及为何GNN比CNNs具有更高的学习效率。大量仿真验证了我们分析并评估了GNN的泛化能力。
引用
@article{arxiv.2211.14775,
title = {Understanding the Performance of Learning Precoding Policy with GNN and CNNs},
author = {Baichuan Zhao and Jia Guo and Chenyang Yang},
journal= {arXiv preprint arXiv:2211.14775},
year = {2024}
}