[논문 리뷰] A Graph Neural Network Approach for Scalable Wireless Power Control

Yifei Shen, Yuanming Shi외 2명|arXiv (Cornell University)|2019. 07. 19.

Advanced MIMO Systems Optimization참고 문헌 23인용 수 10

한 줄 요약

이 논문은 간섭 채널의 K사용자 간섭 채널을 채널 상태 정보(CSI)를 노드 특성으로 사용하는 완전 그래프로 모델링하는 간섭 그래프 컨volution 네트워크(IGCNet)를 제안한다. 이를 통해 비지도 학습 및 확장 가능한 전력 제어가 가능해지며, WMMSE 대비 최대 65배의 속도 향상과 함께 부분적이고 노이즈가 있는 CSI에 대해서도 강건성을 확보한다.

ABSTRACT

Deep neural networks have recently emerged as a disruptive technology to solve NP-hard wireless resource allocation problems in a real-time manner. However, the adopted neural network structures, e.g., multi-layer perceptron (MLP) and convolutional neural network (CNN), are inherited from deep learning for image processing tasks, and thus are not tailored to problems in wireless networks. In particular, the performance of these methods deteriorates dramatically when the wireless network size becomes large. In this paper, we propose to utilize graph neural networks (GNNs) to develop scalable methods for solving the power control problem in $K$-user interference channels. Specifically, a $K$-user interference channel is first modeled as a complete graph, where the quantitative information of wireless channels is incorporated as the features of the graph. We then propose an interference graph convolutional neural network (IGCNet) to learn the optimal power control in an unsupervised manner. It is shown that one-layer IGCNet is a universal approximator to continuous set functions, which well matches the permutation invariance property of interference channels and it is robust to imperfect channel state information (CSI). Extensive simulations will show that the proposed IGCNet outperforms existing methods and achieves significant speedup over the classic algorithm for power control, namely, WMMSE. The code is available on https://github.com/yshenaw/Globecom2019.

연구 동기 및 목표

• 대규모 무선 전력 제어 문제에서 기존의 딥러닝 모델(예: MLP, CNN)의 확장성 한계를 해결한다.
• 공간적 CNN 및 그래프 임bedding 방법이 실시간 CSI를 통합하고 가중치 합산 속도 최적화를 처리하지 못하는 문제를 해결한다.
• 순열 불변성을 유지하고 네트워크 구조를 활용하는 학습 기반의 확장 가능하고 강건한 전력 제어 방법을 개발한다.
• 라벨이 있는 데이터에 대한 의존도를 줄이고 다양한 네트워크 구성 간 일반화 능력을 향상시키기 위해 비지도 학습을 가능하게 한다.

제안 방법

• K사용자 간섭 채널을 완전 그래프로 모델링하며, 각 사용자를 노드로, 모든 링크를 간선으로 간주한다.
• 채널 상태 정보(CSI)를 노드 특성으로 인코딩하여 전력 제어 문제를 그래프 표현 학습 문제로 변환한다.
• 이웃 정보를 그래프 컨볼루션을 통해 집계하는 일관성 또는 다중 레이어 그래프 신경망인 간섭 그래프 컨볼루션 네트워크(IGCNet)를 제안한다.
• 라벨이 있는 최적의 해가 필요 없이 최적의 전력 제어 정책을 학습하기 위해 비지도 학습 목적 함수를 사용한다.
• IGCNet의 보편 근사 성질을 활용해 연속적인 집합 함수를 보장함으로써 순열 불변성과 네트워크 재정렬에 대한 강건성을 확보한다.
• 메시지 전파 메커니즘을 설계하여 간섭 정보를 그래프 전역으로 전파함으로써 간섭 패턴의 장거리 의존성을 포착한다.

실험 결과

연구 질문

• RQ1 K사용자 간섭 채널에서 NP-난이도 전력 제어 문제를 효과적으로 모델링하고 해결하는 데 그래프 신경망을 활용할 수 있는가?
• RQ2 IGCNet은 기존의 학습 기반 방법(예: MLP, DPC, PCNet)에 비해 합산 속도와 확장성 측면에서 뛰어나게 성능을 내는가?
• RQ3 부정확하거나 노이즈가 있는 CSI 조건에서도 IGCNet은 높은 성능을 유지할 수 있으며, 채널 추정 오차에 대해 얼마나 강건한가?
• RQ4 레이어 수와 학습 샘플 수가 IGCNet의 성능 및 일반화 능력에 어떤 영향을 미치는가?
• RQ5 실시간 무선 시스템에서 기존의 최적화 기반 알고리즘인 WMMSE에 비해 IGCNet은 상당한 속도 향상을 달성할 수 있는가?

주요 결과

• Rayleigh fading 조건에서 K=30일 때 IGCNet은 최적의 WMMSE 해 대비 평균 102.7%의 합산 속도를 기록하며, WMMSE 및 모든 기준 학습 기반 방법을 초월한다.
• IGCNet은 WMMSE 대비 최대 65배 빠른 속도 향상을 기록했으며, K=30일 때 평균 실행 시간은 IGCNet이 0.48ms, WMMSE가 31.4ms였다.
• 70%의 CSI 링크가 손실된 상태에서도 IGCNet은 전체 CSI 성능의 92%를 유지하여 부분적 CSI에 대한 강력한 강건성을 입증한다.
• CSI에 10%의 상대 노이즈 분산이 존재할 경우 IGCNet은 전체 CSI 조건에서 92%의 성능 유지율을 확보하여 노이즈가 있는 채널 추정에 대한 강건성을 확인한다.
• IGCNet은 단지 2,000개의 학습 샘플만으로도 성능이 안정화되며, 이는 이전 방법에 비해 훨씬 적은 수요를 의미한다.
• IGCNet의 성능은 레이어 수가 증가할수록 향상되며, 1레이어 모델은 94.7%, 9레이어 모델은 최적 합산 속도의 102.7%를 달성한다.