[論文レビュー] Towards Optimal Power Control via Ensembling Deep Neural Networks

Fei Liang, Cong Shen+2 more|arXiv (Cornell University)|Jul 26, 2018

Wireless Signal Modulation Classification参考文献 47被引用数 19

ひとこと要約

本稿では、干渉制限付き無線ネットワークにおいて、教師なし学習を用いて直接的に和レートを最大化する、深層ニューラルネットワークのアンサンブルであるePCNet+を提案する。この手法は、計算複雑性が低く、特に多数ユーザー環境下で最先端の手法を上回る性能を達成する。

ABSTRACT

A deep neural network (DNN) based power control method is proposed, which aims at solving the non-convex optimization problem of maximizing the sum rate of a multi-user interference channel. Towards this end, we first present PCNet, which is a multi-layer fully connected neural network that is specifically designed for the power control problem. PCNet takes the channel coefficients as input and outputs the transmit power of all users. A key challenge in training a DNN for the power control problem is the lack of ground truth, i.e., the optimal power allocation is unknown. To address this issue, PCNet leverages the unsupervised learning strategy and directly maximizes the sum rate in the training phase. Observing that a single PCNet does not globally outperform the existing solutions, we further propose ePCNet, a network ensemble with multiple PCNets trained independently. Simulation results show that for the standard symmetric multi-user Gaussian interference channel, ePCNet can outperform all state-of-the-art power control methods by 1.2%-4.6% under a variety of system configurations. Furthermore, the performance improvement of ePCNet comes with a reduced computational complexity.

研究の動機と目的

• マルチユーザー干渉チャネルにおける非凸的和レート最大化という長年の課題に取り組む。
• WMMSEのような近似的なベースラインに依存する教師あり学習手法の性能ボトルネックを克服する。
• ノイズ電力レベルやユーザー数の変動に一般化可能なデータ駆動型パワー制御ソリューションを開発する。
• 特に大規模システムにおいて、計算複雑性を低減しつつ、ほぼ最適な性能を達成する。

提案手法

• 教師なし学習によりトレーニングされた全結合型深層ニューラルネットワークであるPCNetを提案し、最適パワー割り当ての教師データを必要とせず、システムの和レートを直接最大化する。
• ノイズ電力を入力特徴量として組み込むことで、さまざまなノイズ条件における一般化性能を向上させるPCNet+を導入する。
• ePCNet+を、独立にトレーニングされたPCNet+モデルのアンサンブルとして設計し、全モデルの中で和レートが最大となるパワープロファイルを選択する。
• 和レートの微分可能近似を損失関数として定式化し、レート制約のペナルティ項を追加することで、エンドツーエンド最適化を可能にする。
• 和レート最大化と制約違反ペナルティを組み合わせたハイブリッド損失関数を用い、λのハイパーパrameterチューニングにより、実行可能性と性能のバランスを最適化する。
• アンサンブル平均化を活用することで、個々のネットワークを上回るロバストネスと性能を向上させ、予測の分散を低減する。

実験結果

リサーチクエスチョン

• RQ1 教師あり学習の代替として、サブオプティマルなベースラインに依存せずに、教師なし深層学習によるトレーニングで干渉チャネルにおける和レートを直接最大化できるか？
• RQ2 入力にノイズ電力を組み込むことで、DNNベースのパワー制御方針の一般化性能がどのように向上するか？
• RQ3 複数のDNNをアンサンブル化することで、個々のモデルや既存の専門家設計アルゴリズムを上回る性能を達成できるか？
• RQ4 制約ペナルティハイパーパrameter λ が、実行可能性と和レート性能のトレードオフに与える影響は何か？
• RQ5 本手法は、従来の反復的または全探索的手法と比較して、性能と複雑性の両面でどのようにスケーリングするか？

主な発見

• ePCNet+は、対称的Kユーザー干渉チャネルを含む、さまざまなシステム設定において、すべての最先端パワー制御手法を和レート面で上回る。
• アンサンブルアプローチにより、単一のPCNet+モデルよりも顕著に性能が向上し、モデル予測の多様性の利点が明確に示された。
• ePCNet+はWMMSEベースの手法よりも高い和レートを達成しながら、特にユーザー数が増加する際の計算複雑性が低く抑えられる。
• 損失関数におけるλ = 10が最適な性能を達成する。λが高くなると過剰ペナルティと制約への過剰な注目により性能が低下する。
• ePCNet+は、アンサンブルサイズM > 1のとき、常に単一モデルを上回り、特に最小レート制約下でより優れたロバストネスを示す。
• ノイズ電力を入力に含めることで、異なるノイズ電力レベルへの一般化性能が著しく向上し、実用的応用性が高まる。