[論文レビュー] Distributed Scheduling using Graph Neural Networks

Zhongyuan Zhao, Gunjan Verma+3 more|arXiv (Cornell University)|Nov 18, 2020

Cooperative Communication and Network Coding参考文献 29被引用数 6

ひとこと要約

本稿では、無線ネットワークにおける最大重み付き独立集合（MWIS）スケジューリングのための、グラフ畳み込みネットワーク（GCN）を強化した分散型グリーディー・アルゴリズムを提案する。トポロジーに適応したノード埋め込みを学習することで、グリーディー選択プロセスを支援し、小規模〜中規模のネットワークにおいて、標準的な分散型グリーディー・スケジューラーの部分最適性ギャップを半減させる。計算複雑性の増加は最小限であり、さまざまなグラフタイプに強く一般化可能である。

ABSTRACT

A fundamental problem in the design of wireless networks is to efficiently schedule transmission in a distributed manner. The main challenge stems from the fact that optimal link scheduling involves solving a maximum weighted independent set (MWIS) problem, which is NP-hard. For practical link scheduling schemes, distributed greedy approaches are commonly used to approximate the solution of the MWIS problem. However, these greedy schemes mostly ignore important topological information of the wireless networks. To overcome this limitation, we propose a distributed MWIS solver based on graph convolutional networks (GCNs). In a nutshell, a trainable GCN module learns topology-aware node embeddings that are combined with the network weights before calling a greedy solver. In small- to middle-sized wireless networks with tens of links, even a shallow GCN-based MWIS scheduler can leverage the topological information of the graph to reduce in half the suboptimality gap of the distributed greedy solver with good generalizability across graphs and minimal increase in complexity.

研究の動機と目的

• 分散型グリーディー・アルゴリズムの性能劣化を是正すること。これは、しばしば重要なトポロジー的情報を無視するためである。
• グラフニューラルネットワークを活用することで、スケーラブルかつ分散型のMWISソルバーを構築し、スケジューリング効率を向上させること。
• トレーニング時に正確なMWIS解を必要とせずに、多様なネットワークトポロジーや利得分布に一般化可能であるようにすること。
• ベースラインのグリーディー手法よりも著しく近似品質を向上させつつ、計算および通信オーバーヘッドを低く保つこと。

提案手法

• グラフ畳み込みネットワーク（GCN）を用いて、無線ネットワークの競合グラフからトポロジーに適応したノード埋め込みを学習する。
• GCNはネットワークの隣接構造とリンク重みを処理し、文脈に適したノード表現を生成する。
• これらの学習済み埋め込みは、各リンクの利得重みと組み合わされ、分散型グリーディーMWISソルバーに供給される。
• GCNは、正確なMWIS解を必要とせず、シミュレートされた競合グラフ上で自己教師あり学習で訓練される。
• 最終的なスケジューリング決定は、GCN埋め込み重みとグリーディー選択ルールを用いて完全に分散型で実行される。
• 本手法は特定の各リンク利得関数に依存せず、既存のスケジューリングプロトコルへの統合が可能である。

実験結果

リサーチクエスチョン

• RQ1 学習可能でトポロジーに適応したコンponentは、無線スケジューリングにおける分散型グリーディーMWISソルバーの性能を向上させ得るか？
• RQ2 Erdős–Rényi型とBarabási–Albert型の異なるランダムグラフモデル間で、GCNベースのMWISソルバーはどれほど一般化性能を示すか？
• RQ3 近似比と一般化性能の観点から、GCNの深さ（L）と性能のトレードオフはいかなるものか？
• RQ4 提案手法は、計算複雑性の増加が僅かであるにもかかわらず、標準的なグリーディー・スケジューラーに比べて顕著な性能向上を達成できるか？

主な発見

• GCN強化スケジューラーは、最適スループットの平均近似比が1層（L=1）で95.6％、20層（L=20）で96.1％を達成した。これに対して、ベースラインの局所グリーディー・スケジューラーは91.1％であった。
• 1層GCNは、小規模〜中規模ネットワークにおいて、グリーディー・ソルバーの部分最適性ギャップを約半減させた。
• 深層GCN（L=20）は浅層GCN（L=1）よりもわずかに優れた性能と低い分散性を示したが、平均近似比における向上は限定的であった。
• GCNベースの手法は、さまざまなグラフモデルに強く一般化可能である。たとえば、ERモデルで学習しBAモデルでテストした場合でも、性能が安定しており、強力な転送性を示している。
• 1層GCNは、性能と複雑性のバランスが良く、ベースラインのグリーディー手法に比べて通信交換回数が1回のみ増加する。
• 本手法は、利得分布の変化に対しても良好な性能を維持しており、特定の利得関数に依存しないことを示している。