[論文レビュー] Joint User Association and Power Allocation in Heterogeneous Ultra Dense Network via Semi-Supervised Representation Learning

Xiangyu Zhang, Zhengming Zhang+1 more|arXiv (Cornell University)|Mar 29, 2021

Advanced MIMO Systems Optimization参考文献 45被引用数 8

ひとこと要約

本稿では、異種超ドライヴネットワーク（HUDN）における同時ユーザ接続および電力割り当てを最適化するため、グラフニューラルネットワーク（GNN）に基づく半教師あり表現学習フレームワークを提案する。HUDNを異種グラフとしてモデル化し、自己教師ありおよび教師ありの両成分を用いてGNNを訓練する（エントロピー正則化を併用）ことで、従来の最適化手法に比べ高い計算効率と優れた性能を達成する。2段階の学習アプローチ（一般化表現学習および特化表現学習）により、オンラインでの高速適応が可能となる。

ABSTRACT

Heterogeneous Ultra-Dense Network (HUDN) is one of the vital networking architectures due to its ability to enable higher connectivity density and ultra-high data rates. Rational user association and power control schedule in HUDN can reduce wireless interference. This paper proposes a novel idea for resolving the joint user association and power control problem: the optimal user association and Base Station transmit power can be represented by channel information. Then, we solve this problem by formulating an optimal representation function. We model the HUDNs as a heterogeneous graph and train a Graph Neural Network (GNN) to approach this representation function by using semi-supervised learning, in which the loss function is composed of the unsupervised part that helps the GNN approach the optimal representation function and the supervised part that utilizes the previous experience to reduce useless exploration. We separate the learning process into two parts, the generalization-representation learning (GRL) part and the specialization-representation learning (SRL) part, which train the GNN for learning representation for generalized scenario quasi-static user distribution scenario, respectively. Simulation results demonstrate that the proposed GRL-based solution has higher computational efficiency than the traditional optimization algorithm, and the performance of SRL outperforms the GRL.

研究の動機と目的

• 異種超ドライヴネットワーク（HUDN）における同時ユーザ接続および電力割り当て（UAPA）の高計算複雑性と非凸性の課題に対処すること。
• 従来の最適化手法の限界（遅さ、UAPA問題の結合性とスケーラビリティの問題）を克服すること。
• 多様なユーザ分布に一般化可能なデータ駆動型でエンドツーエンドの学習フレームワークを構築し、準静的状態への高速オンライン適応を可能にすること。
• 半教師あり学習とグラフニューラルネットワークを統合し、ラベルなしのネットワーク構成と事前のラベル付き経験の両方を活用して、効率的かつ強固な表現学習を実現すること。

提案手法

• ユーザおよび基地局（BS）をノードとする異種グラフとしてHUDNをモデル化し、エッジはチャネル状態情報および先行符号化行列を符号化する。
• グラフニューラルネットワーク（GNN）を訓練して、ネットワークパラメータから最適なユーザ接続および送信電力設定への写像関数を学習する。
• 2段階の学習戦略を採用する：オフラインでの多様なシナリオに対する一般化表現学習（GRL）の後、特定のユーザ分布におけるオンラインでの微調整のための特化表現学習（SRL）を実施する。
• 自己教師あり対照学習（一般表現を学習）と教師あり学習（事前の知識を組み込み、初期探索を削減）を統合した半教師あり損失関数を設計する。
• GNNの出力にエントロピー正則化を適用し、学習中に高次元の設定空間での効果的な探索を促進する。
• GNNの出力を直接、反復的最適化を回避するエンドツーエンド微分可能な方法でユーザ接続および電力制御意思決定を推論する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、HUDNパラメータから最適なユーザ接続および電力割り当て意思決定への写像関数を効果的に学習できるか？
• RQ2 半教師ありGNNフレームワークにおいて、自己教師ありと教師あり学習を組み合わせることで、純粋に教師ありまたは自己教師ありの手法に比べ、収束性と性能がどのように向上するか？
• RQ3 2段階のGRL/SRL学習戦略は、動的かつ変化しやすいHUDN環境において、計算効率と性能をどの程度向上させるか？
• RQ4 エントロピー正則化は、GNN学習中の設定空間におけるより効果的な探索にどのように寄与するか？

主な発見

• 提案されたGRLベースのソリューションは、従来の最適化アルゴリズムに比べて著しく高い計算効率を達成し、実行時間を短縮しながらも高品質な解を維持する。
• SRL微調整段階は、スペクトル効率および干渉抑制の観点で、GRLベースラインを一貫して上回り、オンライン適応の価値を示している。
• エントロピー正則化を施した半教師ありGNNフレームワークは、初期学習段階における広範な探索の必要性を低減し、収束を加速する。
• オフラインでのGRL事前学習のおかげで、GNNベースのアプローチは多様なユーザ分布にうまく一般化され、新規シナリオへの迅速な展開が可能となる。
• シミュレーション結果から、GNNによる連合最適化が、従来の反復的手法よりも複雑性が低くながらも近似的に最適な性能を達成することが確認された。
• GNNベースのアプローチは、ネットワーク状態からリソース割り当てへの直接的なエンドツーエンドマッピングを学習することで、非凸的かつ結合的なUAPA問題を効果的に処理している。