[논문 리뷰] Decentralized Deep Scheduling for Interference Channels

Paul de Kerret, David Gesbert외 1명|arXiv (Cornell University)|2017. 11. 02.

Advanced MIMO Systems Optimization참고 문헌 12인용 수 7

한 줄 요약

이 논문은 임의의 국소적 채널 상태 정보(CSI) 불확실성이 있는 간섭 채널에서 강건한 링크 스케줄링을 해결하기 위해 협업형 딥 뉴럴 네트워크(C-DNNs)를 사용하는 탈중앙화된 딥 스케줄링 프레임워크를 제안한다. 각 전송기가 국소적 CSI를 기반으로 최적의 전송 결정을 분류하도록 C-DNNs를 훈련시킴으로써, 다양한 CSI 품질 설정에서 우수한 총 전송률 성능을 달성하며, 난이도 높은, TDMA 및 국소적으로 강건한 스케줄링 기법들보다 뛰어나며, 비대칭적이거나 완전하지 않은 CSI 조건에서 특히 두각을 나타낸다.

ABSTRACT

In this paper, we study the problem of decentralized scheduling in Interference Channels (IC). In this setting, each Transmitter (TX) receives an arbitrary amount of feedback regarding the global multi-user channel state based on which it decides whether to transmit or to stay silent without any form of communication with the other TXs. While many methods have been proposed to tackle the problem of link scheduling in the presence of reliable Channel State Information (CSI), finding the optimally robust transmission strategy in the presence of arbitrary channel uncertainties at each TX has remained elusive for the past years. In this work, we recast the link scheduling problem as a decentralized classification problem and we propose the use of Collaborative Deep Neural Networks (C-DNNs) to solve this problem. After adequate training, the scheduling obtained using the C-DNNs flexibly adapts to the decentralized CSI configuration to outperform other scheduling algorithms.

연구 동기 및 목표

• 전송기가 완전하거나 노이즈가 있는 CSI를 갖는 간섭 채널에서 강건한 탈중앙화된 스케줄링 문제를 해결한다.
• 확장성과 일반성을 결여한 기존 히ュ리스틱 및 시나리오별 접근 방식의 한계를 극복한다.
• 전송기 간의 다양한 CSI 품질 분포에 적응 가능한 일반적이고 확장 가능한 탈중앙화된 협업 솔루션을 개발한다.
• 전송기가 상호 간 통신 없이 국소적 CSI 추정치에 기반해 최적의 전송 결정을 내릴 수 있도록 한다.
• 불확실성 하에서 탈중앙화된 팀 결정 문제에 대해 협업 딥 러닝의 효과성을 입증한다.

제안 방법

• 탈중앙화된 스케줄링 문제를 딥 뉴럴 네트워크(DNNs)를 사용한 협업 분류 과제로 재정의한다.
• 각 전송기의 DNN이 국소적 CSI 추정치를 처리하여 전송 행동을 예측하도록 협업 DNN(C-DNNs)을 훈련시킨다.
• 분산된 정보에도 불구하고 DNNs가 협동 정책을 학습하도록 공동 훈련 전략을 사용한다.
• 각 전송기가 다른 수준의 채널 품질을 관측하므로, 노이즈의 공분산 행렬을 사용해 CSI 불확실성을 모델링한다.
• 효율적이고 확장 가능한 DNN 훈련을 위해 ReLU 활성화 함수와 역전파를 적용한다.
• 진짜 채널이 i.i.d. 카이제곱 분포 노이즈에 의해 손상되는 노이즈 모델을 통합하며, 각 전송기의 CSI 불확실성은 분산 행렬으로 정의된다.

실험 결과

연구 질문

• RQ1 협업 딥 러닝은 임의의 CSI 불확실성 하에서 탈중앙화된 스케줄링에 대해 일반적이고 확장 가능한 솔루션을 제공할 수 있는가?
• RQ2 다양한 CSI 품질 수준에서 C-DNN의 성능은 전통적인 스케줄링 기법들(TDMA, 항상 케이블, 난이도 높은)과 비교해 어떻게 되는가?
• RQ3 C-DNNs는 비대칭적인 CSI 구성, 예를 들어 한 전송기가 완벽한 CSI를 갖고 다른 전송기가 부분적 또는 전혀 CSI를 갖지 못하는 경우에 얼마나 잘 적응할 수 있는가?
• RQ4 CSI 품질이 전송기 간에 균일하게 악화될 때 C-DNNs는 강건성과 성능 향상을 유지하는가?
• RQ5 히ュ리스틱 또는 시나리오별 가정에 의존하는 국소적으로 강건한 스케줄링 전략보다 C-DNNs가 성능을 뛰어나게 할 수 있는가?

주요 결과

• C-DNNs는 모든 CSI 품질 수준에서 난이도 높은 스케줄링보다 뚜렷이 뛰어나며, 특히 한 전송기가 완벽한 CSI를 갖고 다른 전송기가 부분적 또는 전혀 CSI를 갖지 못하는 비대칭 구성에서 두각을 나타낸다.
• 한 전송기가 완벽한 CSI를 갖고 다른 전송기가 CSI를 전혀 갖지 못하는 2사용자 간섭 채널에서 C-DNNs는 TDMA를 초월하고 완벽한 CSI 기준치에 근접한 총 전송률 성능을 달성한다.
• 모든 전송기가 근접한 완벽한 CSI를 갖는 경우(σ ≈ 0), C-DNNs는 난이도 높은 스케줄링보다 약간 뒤처지며, 이는 훈련 복잡도 증가와 수렴 과정의 어려움 때문일 가능성이 높다.
• CSI 품질이 악화될수록(C-DNNs의 성능 향상은 일부 구성에서 관찰되며, 정책 공간의 더 나은 탐색 또는 과적합 감소 때문일 수 있다.
• CSI 악화가 진행될수록 정보가 없는 전송기의 전송 비율이 증가하지만, 정보가 있는 전송기는 전략을 적절히 조정함으로써 상호 간의 지능적인 협업을 이룬다. 이는 통신 없이도 가능하다.
• C-DNN 프레임워크는 임의의 CSI 분포에 대해 강력한 적응력을 보이며, 매우 탈중앙화되고 불확실한 환경에서도 효과적임을 입증한다.