[論文レビュー] Deep Learning and Gaussian Process based Band Assignment in Dual Band Systems.

Daoud Burghal, Rui Wang+1 more|arXiv (Cornell University)|Feb 28, 2019

Millimeter-Wave Propagation and Modeling参考文献 35被引用数 7

ひとこと要約

本稿では、長短時系列情報を利用した深層学習（LSTM/MLP）およびガウス過程（GP）モデルを用いて、電波帯域の切替を最適化する二帯域割り当て（BA）フレームワークを提案する。深層学習手法は、確率的およびレイトレースされたマイクロセルラー環境の両方で、従来手法を上回る性能を発揮し、信頼性とスループットの向上を実現する。

ABSTRACT

We consider the band assignment (BA) problem in dual-band systems, where the basestation (BS) chooses one of the two available frequency bands (centimeter-wave and millimeter-wave bands) to communicate with the user equipment (UE). While the millimeter-wave band might offer higher data rate, there is a significant probability of outage during which the communication should be carried on the (more reliable) centimeter-wave band. We consider two variations of the BA problem, one-shot and sequential BA. For the former the BS uses only the currently observed information to decide whether to switch to the other frequency band, for the sequential BA, the BS uses a window of previously observed information to predict the best band for a future time step. We provide two approaches to solve the BA problem, (i) a deep learning approach that is based on Long Short Term Memory and/or multi-layer Neural Networks, and (ii) a Gaussian Process based approach, which relies on the assumption that the channel states are jointly Gaussian. We compare the achieved performances to several benchmarks in two environments: (i) a stochastic environment, and (ii) microcellular outdoor channels obtained by ray-tracing. In general, the deep learning solution shows superior performance in both environments.

研究の動機と目的

• センチメートル波帯とミリメートル波帯の間での最適な帯域選択を最適化することで、二帯域無線システムにおける信頼性の高い高速通信を実現すること。
• 一回限りの状態（現在の状態のみ）に依存する「ワンショット」モードと、履歴に依存する予測を行う「逐次的」モードの両方における帯域割り当て問題に取り組むこと。
• チャネル状態の傾向に基づいて最適な帯域使用を予測可能な、学習ベースの2つのアプローチ（深層学習とガウス過程）の開発と評価を行うこと。
• 確率的モデルおよび実世界のレイトレースされたマイクロセルラーチャネルを含む多様な伝搬環境における性能評価を行うこと。
• 学習ベースのBA戦略が、従来のベンチマークと比較して信頼性およびスペクトル効率の点で顕著に優れていることを実証すること。

提案手法

• 逐次的帯域割り当てのため、長短期記憶（LSTM）ネットワークと多層フィードフォワードニューラルネットワークを用いて、チャネル状態情報の時間的依存性をモデル化する。
• 過去のチャネル観測値をスライディングウインドウで扱い、帯域割り当て問題を逐次的意思決定タスクとして定式化し、将来の最適帯域使用を予測する。
• チャネル状態の同時ガウス分布を仮定することで、不確実性の推定と最適な帯域遷移の予測を可能にするガウス過程モデルを適用する。
• 履歴的なチャネル状態データを用いて、アウトージ確率の最小化とデータレートの最大化を目的に、深層学習およびGPモデルを訓練する。
• 報酬ベースの評価指標を用いて、固定帯域選択やランダム切替といったベースライン戦略と性能を比較する。
• 合成的な確率的チャネルモデルと現実的なレイトレースされたマイクロセルラー屋外シナリオの両方で、モデルの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 動的二帯域環境下において、深層学習ベースの帯域割り当ての性能は、従来およびベンチマーク手法と比べてどのように異なるか？
• RQ2 履歴的なチャネル状態情報を取り入れることで、逐次的BAにおける帯域割り当て意思決定はどの程度向上するか？
• RQ3 ガウス過程モデルは、チャネル状態の時間的相関を効果的にモデル化でき、信頼性の高い帯域切替を支援できるか？
• RQ4 提案された学習ベースのアプローチは、合成モデルと比較して、現実的でレイトレースされたマイクロセルラー伝搬環境下でどの程度の性能を示すか？
• RQ5 二帯域システムにおいて、精度、適応性、計算コストのトレードオフの観点から、深層学習とガウス過程のどちらのアプローチが優れているか？

主な発見

• LSTMおよび多層ニューラルネットワークを用いた深層学習ベースの手法は、確率的およびレイトレースされた環境の両方で、すべてのベンチマークを上回る優れた性能を発揮する。
• 過去のチャネル観測値を活用する逐次的帯域割り当て戦略は、ワンショット意思決定と比較して、アウトージ確率を顕著に低減する。
• ガウス過程ベースの手法は不確実性の定量化を可能とする有効な代替手段を提供するが、性能面では常に深層学習手法に劣る。
• レイトレースされたマイクロセルラー環境では、遮蔽や多径フェージングといった現実の伝搬効果に対しても、深層学習モデルが高いロバスト性を示す。
• 高速移動または高遮蔽状況では、予測能力が最も重要となるため、深層学習とベンチマークの性能差が最も顕著に現れる。
• 両手法とも平均アウトージ時間の短縮とスペクトル効率の向上に寄与するが、深層学習モデルは複雑で非定常なチャネルダイナミクスへの適応性が顕著に優れている。