[논문 리뷰] Joint User Association and Power Allocation in Heterogeneous Ultra Dense Network via Semi-Supervised Representation Learning

Xiangyu Zhang, Zhengming Zhang외 1명|arXiv (Cornell University)|2021. 03. 29.

Advanced MIMO Systems Optimization참고 문헌 45인용 수 8

한 줄 요약

이 논문은 이질적 초고밀도 네트워크(HUDNs)에서 사용자 할당 및 전력 할당을 동시에 최적화하기 위한 그래프 신경망(GNN)-기반 준지도 학습 표현 학습 프레임워크를 제안한다. HUDNs를 이질적 그래프로 모델링하고, 엔트로피 정규화를 통해 개선된 비지도 및 지도 학습 컴포넌트를 갖춘 GNN을 훈련시킴으로써, 기존 최적화 방법에 비해 높은 계산 효율성과 뛰어난 성능을 달성한다. 이중 학습 전략(일반화-표현 학습 및 전문화-표현 학습)을 통해 빠른 온라인 적응이 가능하다.

ABSTRACT

Heterogeneous Ultra-Dense Network (HUDN) is one of the vital networking architectures due to its ability to enable higher connectivity density and ultra-high data rates. Rational user association and power control schedule in HUDN can reduce wireless interference. This paper proposes a novel idea for resolving the joint user association and power control problem: the optimal user association and Base Station transmit power can be represented by channel information. Then, we solve this problem by formulating an optimal representation function. We model the HUDNs as a heterogeneous graph and train a Graph Neural Network (GNN) to approach this representation function by using semi-supervised learning, in which the loss function is composed of the unsupervised part that helps the GNN approach the optimal representation function and the supervised part that utilizes the previous experience to reduce useless exploration. We separate the learning process into two parts, the generalization-representation learning (GRL) part and the specialization-representation learning (SRL) part, which train the GNN for learning representation for generalized scenario quasi-static user distribution scenario, respectively. Simulation results demonstrate that the proposed GRL-based solution has higher computational efficiency than the traditional optimization algorithm, and the performance of SRL outperforms the GRL.

연구 동기 및 목표

• 이질적 초고밀도 네트워크(HUDNs)에서 사용자 할당 및 전력 할당(UAPA) 문제의 높은 계산 복잡도와 비볼록성에 도전한다.
• 기존 최적화 방법의 한계를 극복한다. 이는 느린 속도와 UAPA 문제의 결합성 및 확장성 문제로 인해 어려움을 겪는다.
• 다양한 사용자 분포에 걸쳐 일반화할 수 있고, 준정적 조건에 빠르게 온라인 적응이 가능한 데이터 기반 엔드 투 엔드 학습 프레임워크를 개발한다.
• 준지도 학습을 그래프 신경망과 통합하여, 레이블이 없는 네트워크 구성과 이전에 확보한 레이블된 경험을 모두 활용해 효율적이고 강건한 표현 학습을 실현한다.

제안 방법

• 사용자와 기지국(BSs)을 노드로, 채널 상태 정보와 프리코딩 행렬을 간선으로 포함하는 이질적 그래프로 HUDN을 모델링한다.
• 그래프 신경망(GNN)을 훈련시켜 네트워크 파라미터를 최적의 사용자 할당 및 전송 전력 설정으로 매핑하는 표현 함수를 학습한다.
• 이중 학습 전략을 적용한다: 오프라인에서 다양한 시나리오에 대해 사전 훈련하는 일반화-표현 학습(GRL), 이후 특정 사용자 분포에 대해 온라인으로 미세조정하는 전문화-표현 학습(SRL).
• 비지도 대비 학습(일반 표현 학습을 위해)과 지도 학습(기존 지식을 통합하고 초기 탐색을 줄이기 위해)을 조합한 준지도 손실 함수를 설계한다.
• GNN의 출력에 엔트로피 정규화를 적용하여, 훈련 중 고차원 구성 공간에서 효과적인 탐색을 유도한다.
• GNN의 출력을 직접적으로 사용자 할당 및 전력 제어 결정을 내리는 데 응용함으로써 반복 최적화를 피하는 엔드 투 엔드 미분 가능 방식을 구현한다.

실험 결과

연구 질문

• RQ1 그래프 신경망이 HUDN 파라미터를 최적의 사용자 할당 및 전력 할당 결정으로 매핑하는 표현 함수를 효과적으로 학습할 수 있는가?
• RQ2 준지도 GNN 프레임워크에서 비지도 및 지도 학습을 융합할 경우, 순수하게 지도 또는 비지도 방법에 비해 수렴성과 성능이 어떻게 향상되는가?
• RQ3 이중 GRL/SRL 훈련 전략이 동적인 HUDN 환경에서 계산 효율성과 성능을 얼마나 향상시키는가?
• RQ4 엔트로피 정규화는 GNN 훈련 중 구성 공간에서 더 효과적인 탐색에 어떻게 기여하는가?

주요 결과

• 제안된 GRL 기반 솔루션은 기존 최적화 알고리즘에 비해 뚜렷이 높은 계산 효율성을 확보하여 런타임을 단축시키면서도 높은 품질의 해를 유지한다.
• SRL 미세조정 단계는 스펙트럼 효율성과 간섭 억제 측면에서 GRL 기준선을 항상 초월하여, 온라인 적응의 가치를 입증한다.
• 엔트로피 정규화를 통한 준지도 GNN 프레임워크는 초도 훈련 단계에서의 광범위한 탐색 필요성을 줄여 수렴 속도를 가속화한다.
• 오프라인 GRL 사전 훈련 덕분에 GNN 기반 접근법은 다양한 사용자 분포에 대해 잘 일반화되어 새로운 시나리오에 빠르게 구현이 가능하다.
• 시뮬레이션 결과는 GNN 기반 공동 최적화가 기존 반복적 방법에 비해 복잡도는 낮추면서도 거의 최적에 가까운 성능을 달성함을 확인한다.
• GNN 기반 접근법은 네트워크 상태에서 자원 할당으로의 직접적인 엔드 투 엔드 매핑을 학습함으로써 비볼록성과 결합된 UAPA 문제를 효과적으로 다룬다.