[論文レビュー] Learning Equilibrium Play for Stochastic Parallel Gaussian Interference Channels

Xingqin Lin, Tat-Ming Lok|arXiv (Cornell University)|Mar 19, 2011

Distributed Sensor Networks and Detection Algorithms参考文献 22被引用数 6

ひとこと要約

本稿は、チャネル状態と干渉レベルが確率的で、誤差を伴って推定される確率的並列ガウス干渉チャネルにおけるパワー制御のための2つの確率的分散学習アルゴリズム、SDLA-I および SDLA-II を提案する。確率的近似および投影動的システム理論を活用することで、両アルゴリズムは確率的意味でナッシュ均衡に収束し、SDLA-II は反復平均化により収束性が向上する。これは、不完全な情報と時間変動するチャネル下でも成立する。

ABSTRACT

Distributed power control for parallel Gaussian interference channels recently draws great interests. However, all existing works only studied this problem under deterministic communication channels and required certain perfect information to carry out their proposed algorithms. In this paper, we study this problem for stochastic parallel Gaussian interference channels. In particular, we take into account the randomness of the communication environment and the estimation errors of the desired information, and thus formulate a stochastic noncooperative power control game. We then propose a stochastic distributed learning algorithm SDLA-I to help communication pairs learn the Nash equilibrium. A careful convergence analysis on SDLA-I is provided based on stochastic approximation theory and projected dynamic systems approach. We further propose another learning algorithm SDLA-II by including a simple iterate averaging idea into SDLA-I to improve algorithmic convergence performance. Numerical results are also presented to demonstrate the performance of our algorithms and theoretical results.

研究の動機と目的

• 確率的で時間変動するチャネル、および推定誤差を伴う状況下で、既存の分散パワー制御アルゴリズムのロバスト性の欠如に対処する。
• ユーザーが長期的期待レートを最大化する非協力的確率的ゲームを、並列ガウス干渉チャネルに対して定式化する。
• 不完全なチャネル状態情報（CSI）および干渉推定値を前提とした分散学習アルゴリズム（SDLA-I）を設計する。
• SDLA-I に反復平均化を導入することで収束性能を向上させ、SDLA-II を得る。
• 確率的近似理論および投影動的システム（PDS）フレームワークを用いて、厳密な収束解析を提供する。

提案手法

• 各ユーザーが確率的チャネル利得および推定誤差のもとで、期待される長期的伝送レートを最大化する確率的非協力的パワー制御ゲームを定式化する。
• ノイズのある干渉およびチャネル状態の観測値を用いる分散的確率的勾配類似アルゴリズムであるSDLA-Iを提案し、時間変動するステップサイズを採用する。
• SDLA-I の収束挙動を分析するために、投影動的システム（PDS）アプローチを適用し、フィードバックを含む確率的微分方程式としてアルゴリズムをモデル化する。
• SDLA-I に反復平均化を導入してSDLA-II を構築し、計算複雑性を増さずに分散を低減し、収束を加速する。
• マルティンゲール差分列およびラプラウスベースの安定性解析を用いて、両アルゴリズムが確率的意味でナッシュ均衡に収束することを確立する。
• ステップサイズ列の仮定および最適反応写像のリプシッツ連続性を活用し、有界性および収束性を保証する。

実験結果

リサーチクエスチョン

• RQ1 分散パワー制御アルゴリズムは、時間変動し、誤差を伴うチャネル状態を伴う確率的干渉チャネルにおいても収束を維持できるか？
• RQ2 干渉およびチャネル情報がノイズあり、遅延あり、または推定値としてしか得られない状況下で、学習アルゴリズムはどのようにしてナッシュ均衡に収束するのか？
• RQ3 反復平均化は、干渉チャネルにおける確率的パワー制御アルゴリズムの収束速度にどのような影響を与えるか？
• RQ4 確率的分散アルゴリズムが非協力的ゲーム設定下で、ナッシュ均衡に確率的意味で収束するための条件は何か？
• RQ5 本稿で提示するフレームワークは、完全かつ即時のCSIフィードバックを仮定する決定的モデルとどのように異なるか？

主な発見

• SDLA-I は、確率的近似およびPDS理論を用いた解析により、確率的意味でナッシュ均衡に収束することが証明された。これは、確率的チャネル変動および推定誤差のもとでも成立する。
• ステップサイズ列が標準的条件（可summable、二乗可summable）を満たし、干渉写像がリプシッツ連続である限り、SDLA-I の収束が保証される。
• 反復平均化を導入したSDLA-II は、数値結果においてSDLA-I よりも優れた収束性能を示し、振動を低減し、収束を加速する。
• 最適反応写像の強い単調性のもとで、確率的ゲームのナッシュ均衡が一意的であり、グローバルに指数的安定であることが示された。
• 理論的解析により、パワー・ベクトルの期待誤差が確率的意味でゼロに収束し、誤差低減項の和が有限であることが確認された。
• 従来の反復的ウォーターフィリングアルゴリズム（IWFA）とは異なり、本フレームワークは不完全なCSIおよび干渉推定にロバストである。