Learning Resilient Radio Resource Management Policies with Graph Neural Networks

要約

共有無線媒体を介してユーザー機器デバイス (UE) のグループと通信する複数のアクセス ポイント (AP) を含む、無線干渉ネットワークにおけるユーザー選択と電力制御の問題を検討します。
すべてのユーザー間で公平性を確保しながら高い総レートを達成するために、学習可能なスラック変数を介して基礎となるネットワーク条件に適応するユーザーごとの最小容量の制約を使用して、回復力のある無線リソース管理 (RRM) ポリシー最適化問題を定式化します。
ラグランジュの双対領域で問題を再定式化し、有限のパラメーター セットを使用して RRM ポリシーをパラメーター化できることを示します。これは、証明可能な小さな双対性のギャップのおかげで、教師なし主双対アプローチを介してスラック変数と双対変数と共にトレーニングできます。
.
スケーラブルな順列等価グラフ ニューラル ネットワーク (GNN) アーキテクチャを使用して、瞬間的なチャネル条件から導出されたグラフ トポロジに基づいて RRM ポリシーをパラメーター化します。
実験結果を通じて、最小容量の制約が基礎となるネットワーク構成とチャネル条件に適応することを確認します。
さらに、このような適応のおかげで、提案された方法が、ベースライン アルゴリズムと比較して、平均レートと 5 パーセンタイル レート (リソース割り当ての決定における公平性のレベルを定量化するメトリック) の間で優れたトレードオフを達成することを示します。

要約(オリジナル)

We consider the problems of user selection and power control in wireless interference networks, comprising multiple access points (APs) communicating with a group of user equipment devices (UEs) over a shared wireless medium. To achieve a high aggregate rate, while ensuring fairness across all users, we formulate a resilient radio resource management (RRM) policy optimization problem with per-user minimum-capacity constraints that adapt to the underlying network conditions via learnable slack variables. We reformulate the problem in the Lagrangian dual domain, and show that we can parameterize the RRM policies using a finite set of parameters, which can be trained alongside the slack and dual variables via an unsupervised primal-dual approach thanks to a provably small duality gap. We use a scalable and permutation-equivariant graph neural network (GNN) architecture to parameterize the RRM policies based on a graph topology derived from the instantaneous channel conditions. Through experimental results, we verify that the minimum-capacity constraints adapt to the underlying network configurations and channel conditions. We further demonstrate that, thanks to such adaptation, our proposed method achieves a superior tradeoff between the average rate and the 5th percentile rate — a metric that quantifies the level of fairness in the resource allocation decisions — as compared to baseline algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google