[論文レビュー] Scalable Power Control/Beamforming in Heterogeneous Wireless Networks with Graph Neural Networks

Xiaochen Zhang, Haitao Zhao+3 more|arXiv (Cornell University)|Apr 12, 2021

Advanced MIMO Systems Optimization参考文献 12被引用数 5

ひとこと要約

本稿では、異種デバイスツーデバイス（D2D）無線ネットワークにおけるスケーラブルな電力制御およびビームフォーミングを実現する、新しい非教師ありグラフニューラルネットワークフレームワークHIGNNを提案する。干渉関係を異種グラフでモデル化し、局所的でリンク固有のポリシー学習を可能にすることで、HIGNNは多様なネットワークスケールおよび密度において、分数プログラミング（FP）の95％を超える相対的性能を達成し、従来の反復的手法と比較して実行速度が300倍以上向上した。

ABSTRACT

Machine learning (ML) has been widely used for efficient resource allocation (RA) in wireless networks. Although superb performance is achieved on small and simple networks, most existing ML-based approaches are confronted with difficulties when heterogeneity occurs and network size expands. In this paper, specifically focusing on power control/beamforming (PC/BF) in heterogeneous device-to-device (D2D) networks, we propose a novel unsupervised learning-based framework named heterogeneous interference graph neural network (HIGNN) to handle these challenges. First, we characterize diversified link features and interference relations with heterogeneous graphs. Then, HIGNN is proposed to empower each link to obtain its individual transmission scheme after limited information exchange with neighboring links. It is noteworthy that HIGNN is scalable to wireless networks of growing sizes with robust performance after trained on small-sized networks. Numerical results show that compared with state-of-the-art benchmarks, HIGNN achieves much higher execution efficiency while providing strong performance.

研究の動機と目的

• 大規模で異種の無線ネットワークにおける、既存の機械学習ベースのリソース割り当て（RA）手法のスケーラビリティおよび一般化の限界を解決すること。
• 従来のGNNベースのRAフレームワークではリンクタイプの特徴や干渉行動の違いを考慮できないという同質性仮定の制限を克服すること。
• 再トレーニングを必要とせず、さまざまなネットワークサイズおよび密度に一般化可能なスケーラブルな非教師あり学習フレームワークを開発すること。
• 複雑な干渉環境においても高い実行効率を維持しながら、強力な性能を発揮すること。

提案手法

• 通信リンクをノードとし、干渉関係を異種特徴付きで表現する異種グラフとして無線ネットワークをモデル化すること。
• 隣接するリンクからのメッセージを、リンクタイプ固有の学習可能関数を用いて集約する異種干渉グラフニューラルネットワーク（HIGNN）を設計すること。
• 反復的アルゴリズムからのラベル付きデータを必要とせず、重み付き和データレート（WSR）などのユーティリティ関数を直接最適化することで、HIGNNを非教師ありでトレーニングすること。
• 多層プロパゲーションを用いて、各リンクが局所的なトポロジーおよびチャネル状態情報（CSI）に基づき、個別に最適な送信戦略（電力およびビームフォーミング）を学習できるようにすること。
• 構造的非均質性（例：SISO対MISO）を尊重するメッセージパッシング機構を採用し、ネットワークサイズにわたる一般化を可能にすること。
• 効率的な推論と高い性能を実現するため、MLPサイズ{16}を用いた3層のHIGNNを採用し、最小限のハイパーパrameterチューニングで運用すること。

実験結果

リサーチクエスチョン

• RQ1 トレーニングを再実行せずに、異なるネットワークサイズおよびリンク密度に一般化できるGNNベースのフレームワークは実現可能か？
• RQ2 分数プログラミング（FP）のような最先端の反復的手法と比較して、HIGNNの性能および実行時間の両面でのパフォーマンスはいかがなものか？
• RQ3 SISOおよびMISOなど、異なる送信および干渉特性を有する複数のリンクタイプを有する異種無線ネットワークを、HIGNNは効果的に処理できるか？
• RQ4 HIGNNの非教師ありトレーニングは、教師ありDNNベースのアプローチと比較して、より優れたサンプル効率および一般化性能を示すか？
• RQ5 干渉パターンの分布シフト（例：リンク密度の増加やネットワーク領域の拡大）に対して、HIGNNはどれほど頑健か？

主な発見

• ネットワークサイズを8倍に拡大しても、HIGNNは96リンクを含む状況においても、分数プログラミング（FP）と比較して95％を超える相対的性能を維持する。
• 固定領域内でリンク数が96に増加した場合、HIGNNはFPと比較して91.16％の相対的性能を達成し、高いリンク密度に対しても効果的に一般化している。
• 96リンクにスケーリングした際、HIGNNはFPと比較して実行時間で300倍以上の高速化を達成し、ネットワークサイズの増大に伴い実行時間の増加が最小限に抑えられている。
• HIGNNはDNNよりもサンプル効率およびパフォーマンスの両面で優れており、50万サンプルを用いたDNNは83.5％のパフォーマンスに留まる一方、HIGNNはより小さな、より効率的なモデルで95％を超えるパフォーマンスを達成している。
• HIGNNは未学習のネットワーク設定に対しても良好に一般化し、トポロジーおよび干渉分布の点でトレーニングデータから大きく逸脱したテストデータに対しても、強力なパフォーマンスを維持している。
• 隠れ層サイズ{16}の3層HIGNNは、複雑さと正確さの良好なトレードオフを実現し、>95％のパフォーマンスを達成しており、実用的なスケーラビリティを示している。