[論文レビュー] Application of Machine Learning in Wireless Networks: Key Techniques and Open Issues

Yaohua Sun, Mugen Peng+3 more|arXiv (Cornell University)|Sep 24, 2018

Cooperative Communication and Network Coding参考文献 149被引用数 45

ひとこと要約

本調査は、無線ネットワークにおける資源管理、ネットワーキング、モビリティ管理、ローカリゼーション全体で機械学習技術がどのように適用されているかを網羅的にレビューし、未解決の課題と今後の方向性を論じる。

ABSTRACT

As a key technique for enabling artificial intelligence, machine learning (ML) is capable of solving complex problems without explicit programming. Motivated by its successful applications to many practical tasks like image recognition, both industry and the research community have advocated the applications of ML in wireless communication. This paper comprehensively surveys the recent advances of the applications of ML in wireless communication, which are classified as: resource management in the MAC layer, networking and mobility management in the network layer, and localization in the application layer. The applications in resource management further include power control, spectrum management, backhaul management, cache management, beamformer design and computation resource management, while ML based networking focuses on the applications in clustering, base station switching control, user association and routing. Moreover, literatures in each aspect is organized according to the adopted ML techniques. In addition, several conditions for applying ML to wireless communication are identified to help readers decide whether to use ML and which kind of ML techniques to use, and traditional approaches are also summarized together with their performance comparison with ML based approaches, based on which the motivations of surveyed literatures to adopt ML are clarified. Given the extensiveness of the research area, challenges and unresolved issues are presented to facilitate future studies, where ML based network slicing, infrastructure update to support ML based paradigms, open data sets and platforms for researchers, theoretical guidance for ML implementation and so on are discussed.

研究の動機と目的

• 無線ネットワークで用いられる代表的な機械学習技術と、それらがレイヤ全体でどのように適用されるかを要約する。
• 資源管理、ネットワーキング、モビリティ管理、ローカリゼーションにおけるMLベースの応用を分類・レビューする。
• 無線ネットワークにおけるML適用の条件とベースラインを論じ、従来アプローチと比較する。
• ML対応の無線システムを進化させるための未解決の課題と今後の研究方向を特定する。

提案手法

• 無線ネットワークで用いられる教師あり学習、教師なし学習、強化学習、ニューラルネットワーク、転移学習を説明する。
• アプリケーションをネットワーク層と機能別に整理する。例：電力制御、スペクトル/バックホール/キャッシュ/ビームフォーマー/計算リソース管理、ユーザー割り当て、基地局スイッチング、ルーティング、クラスタリング。
• データ入手性、時間コスト、問題タイプといった課題に機械学習技術がどのように適合し、手法選択を導くかを説明する。
• ML導入を促すための指針と従来手法との比較を提供する。
• 実装におけるMLベースのネットワークスライジング、データセット、プラットフォーム、理論的指針といった課題を強調する。

実験結果

リサーチクエスチョン

• RQ1 無線ネットワークにおいて、資源管理、ネットワーキング、モビリティ管理、ローカリゼーションに最も一般的に適用されるML手法は何か？
• RQ2 異なるネットワークタスクにおいて、MLベースのアプローチは従来手法と比較して性能と複雑さの観点でどうか？
• RQ3 5G時代の無線システムにMLを適用する際の実現条件、データ要件、トレードオフは何か？
• RQ4 ML対応のネットワークスライシング、データプラットフォーム、理論的指針に関する未解決の課題と今後の方向性は何か？
• RQ5 転移学習と深層学習は動的な無線環境におけるML応用をどのように進展させるか？

主な発見

• 機械学習技術（深層学習や強化学習を含む）は、複雑なネットワーク問題に対して適応的で低複雑度の近似を提供する。
• アプリケーションは、MAC、ネットワーク、モビリティ、ローカリゼーション層にまたがり、電力制御、スペクトル、バックホール、キャッシュ、ビームフォーマー設計、計算リソース管理、ユーザー割り当て、基地局スイッチング、ルーティング、クラスタリングといったタスクごとに整理される。
• ML手法は動的ネットワークに対応し、マルチエージェント強化学習やQ学習といった分散学習アプローチを通じて自己組織化を可能にする。
• 転移学習は知識を再利用することで関連タスクの学習を加速できるが、ネガティブ転移のリスクには慎重に対処する必要がある。
• 本調査は、データ入手性、プラットフォームサポート、理論的指針、標準データセットとベンチマークの必要性などの未解決課題を挙げている。