[論文レビュー] Deep Learning for Radio Resource Allocation in Multi-Cell Networks

Kazi Ishfaq Ahmed, Hina Tabassum+1 more|arXiv (Cornell University)|Aug 2, 2018

Advanced MIMO Systems Optimization参考文献 10被引用数 6

ひとこと要約

本稿では、多セル5G/B5Gネットワークにおける非凸なサブバンドおよびパワー割り当て問題を解消するため、教師ありディープラーニングモデルを提案する。遺伝的アルゴリズムを用いて生成された近似的最適解を訓練データとして用いることで、DNNはオンライン計算を最小限に抑えながら86.3%の予測精度を達成し、従来の最適化手法に対するスケーラブルな代替手法を提供する。

ABSTRACT

Increased complexity and heterogeneity of emerging 5G and beyond 5G (B5G) wireless networks will require a paradigm shift from traditional resource allocation mechanisms. Deep learning (DL) is a powerful tool where a multi-layer neural network can be trained to model a resource management algorithm using network data.Therefore, resource allocation decisions can be obtained without intensive online computations which would be required otherwise for the solution of resource allocation problems. In this context, this article focuses on the application of DL to obtain solutions for the radio resource allocation problems in multi-cell networks. Starting with a brief overview of a deep neural network (DNN) as a DL model, relevant DNN architectures and the data training procedure, we provide an overview of existing state-of-the-art applying DL in the context of radio resource allocation. A qualitative comparison is provided in terms of their objectives, inputs/outputs, learning and data training methods. Then, we present a supervised DL model to solve the sub-band and power allocation problem in a multi-cell network. Using the data generated by a genetic algorithm, we first train the model and then test the accuracy of the proposed model in predicting the resource allocation solutions. Simulation results show that the trained DL model is able to provide the desired optimal solution 86.3% of time.

研究の動機と目的

• 密な異種5G/B5Gネットワークにおける従来の最適化手法の高い計算複雑性に対処すること。
• 反復的最適化の代わりに訓練済みディープニューラルネットワークモデルを用いることで、オンライン計算時間を短縮すること。
• 教師ありディープラーニングアプローチが、多セル環境における最適なサブバンドおよびパワー割り当てを予測する性能を評価すること。
• モデルアーキテクチャ（例：隠れ層の数）および訓練データサイズが予測精度に与える影響を調査すること。
• 大規模セルラーネットワークにおけるリアルタイムでスケーラブルなリソース管理にディープラーニングを用いる可能性を検討すること。

提案手法

• 入力データの特徴抽出と階層的表現のため、複数層のスタックドオートエンコーダーを備えたディープニューラルネットワーク（DNN）を用いる。
• 重みの初期化と高次元特徴の抽出のため、グリーディ層別オートエンコーダー手法を用いてDNNを事前学習する。
• ラベル付き訓練データに対してバックプロパゲーションを用いて、出力層にソフトマックス層を追加し、微調整を行う。
• 入力はネットワーク状態（例：チャネル状態）を表し、出力は最適なサブバンドおよびパワー割り当てを表す、教師あり学習フレームワークを用いてモデルを訓練する。
• 過学習を防ぐために、L2重み正則化（0.004）、エアリー・ストッピング（忍耐度=4）、最大1000エポックといったハイパーパrameterを用いる。
• 予測精度を最適リソース割り当ての観点から評価するために、テストデータセット上でモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 リアルタイム最適化を伴わずに、ディープニューラルネットワークが多セルネットワークにおける最適なサブバンドおよびパワー割り当てを正確に予測できるか？
• RQ2 DNNの隠れ層の数が予測精度および汎化性能に与える影響は何か？
• RQ3 訓練データサイズが、未観測のネットワーク構成に一般化する能力に与える影響は何か？
• RQ4 遺伝的アルゴリズムを用いて訓練データを生成することにより、ディープラーニングモデルの性能にどのような影響が生じるか？
• RQ5 無線リソース割り当てにおいて、従来の最適化技術と比較して、ディープラーニングは計算複雑性をどの程度低減できるか？

主な発見

• 4つの隠れ層を有するDNNモデルは、最適リソース割り当て解の特定において最大86.31%の予測精度を達成し、優れた性能を示した。
• 訓練サンプル数の増加に伴い精度は上昇するが、飽和点に達するとさらなるデータ増加はテスト精度の向上に顕著に寄与しない。
• 最適点を超えて隠れ層の数を増やすと、ノイズ学習が生じて過学習が発生し、テスト精度が低下する。
• 遺伝的アルゴリズムによって生成されたデータで学習したモデルは高い精度を示しており、ヒューリスティック最適化を用いたデータ合成の有効性が裏付けられた。
• 少数のサンプルでは訓練精度が最初は高いが、データ量が増えるにつれて低下する一方で、テスト精度は向上し、最終的に飽和する。
• モデルは最小限のオンライン計算で高速な推論が可能であり、大規模な5G/B5Gネットワークにおけるリアルタイム展開に適している。