GFlowNets for Active Learning Based Resource Allocation in Next Generation Wireless Networks

要約

この作業では、通信、センシング、コンピューティングなど、さまざまな統合機能を備えたワイヤレスシステムの無線リソース割り当ての問題を検討します。
これらの不均一な要件に同時に対応できる適切なリソース管理手法を設計し、問題の高次元的で個別の性質を適切に拡張します。
リソースの割り当てパターンが順番に描画され、環境で評価され、環境の代理モデルを繰り返し更新するために使用される新しいアクティブな学習フレームワークを提案します。
私たちの方法は、生成フローネットワーク（Gflownet）を活用して好ましいソリューションをサンプリングします。そのようなモデルは、トレーニング報酬に比例して構成オブジェクトを生成するためにトレーニングされているため、モードの適切なカバレッジを提供します。
そのため、Gflownetは、サロゲートモデルを更新し、適切なソリューションを迅速に発見する多様で高度なリターンリソース管理デザインを生成します。
シミュレーション結果は、メソッドがベンチマークに対して20％のパフォーマンスの向上を達成するために無線リソースを割り当てることができ、買収ラウンドの数の半分未満を必要とすることを示すシミュレーション結果を提供します。

要約(オリジナル)

In this work, we consider the radio resource allocation problem in a wireless system with various integrated functionalities, such as communication, sensing and computing. We design suitable resource management techniques that can simultaneously cater to those heterogeneous requirements, and scale appropriately with the high-dimensional and discrete nature of the problem. We propose a novel active learning framework where resource allocation patterns are drawn sequentially, evaluated in the environment, and then used to iteratively update a surrogate model of the environment. Our method leverages a generative flow network (GFlowNet) to sample favorable solutions, as such models are trained to generate compositional objects proportionally to their training reward, hence providing an appropriate coverage of its modes. As such, GFlowNet generates diverse and high return resource management designs that update the surrogate model and swiftly discover suitable solutions. We provide simulation results showing that our method can allocate radio resources achieving 20% performance gains against benchmarks, while requiring less than half of the number of acquisition rounds.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google