[논문 리뷰] Towards Optimal Power Control via Ensembling Deep Neural Networks

Fei Liang, Cong Shen외 2명|arXiv (Cornell University)|2018. 07. 26.

Wireless Signal Modulation Classification참고 문헌 47인용 수 19

한 줄 요약

이 논문은 간섭 제한된 무선 네트워크에서 직접적으로 총 전송률을 최대화하기 위해 비지도 학습을 사용하는 딥 네트워크 앙상블 ePCNet+를 제안한다. 이는 기존 최첨단 방법보다 낮은 계산 복잡도로 성능을 뛰어넘으며, 특히 다수 사용자 환경에서 뛰어난 성능을 발휘한다.

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.

연구 동기 및 목표

• 다중 사용자 간섭 채널에서 비볼록 총 전송률 최적화 문제에 오랫동안 존재해 온 과제를 해결한다.
• WMMSE와 같은 최적해가 아닌 기저 기반 방법에 의존하는 지도 학습 방법의 성능 한계를 극복한다.
• 노이즈 전력 수준과 사용자 수에 걸쳐 일반화 가능한 데이터 기반 전력 제어 솔루션을 개발한다.
• 특히 대규모 시스템에서 낮은 계산 복잡도로 근사 최적 성능를 달성한다.

제안 방법

• 지식 기반 최적 전력 할당이 필요 없이 비지도 학습을 통해 총 전송률을 최대화하는 완전 연결 딥 네트워크인 PCNet을 제안한다.
• 노이즈 전력을 입력 특성으로 포함시켜 다양한 노이즈 조건에서의 일반화 능력을 향상시키기 위해 PCNet+를 도입한다.
• 모든 모델에서 가장 높은 총 전송률을 낼 수 있는 전력 프로파일을 선택하는 방식으로, 독립적으로 훈련된 PCNet+ 모델들의 앙상블인 ePCNet+를 설계한다.
• 훈련 손실를 총 전송률의 미분 가능한 근사로 설정하고, 비용 제약 조건에 대한 페널티 항을 포함시켜 엔드 투 엔드 최적화를 가능하게 한다.
• 손실 함수에 총 전송률 최적화와 제약 위반 페널티를 조합한 하이브리드 손실 함수를 사용하며, λ의 초모수 조정을 통해 타당성과 성능 간 균형을 맞춘다.
• 앙상블 평균을 활용하여 개별 네트워크를 초월한 강건성과 성능 향상을 달성하고, 예측의 분산을 감소시킨다.

실험 결과

연구 질문

• RQ1 지난 번에 최적해가 아닌 기저 기반 방법에 의존하지 않고도 비지도 딥 러닝 학습이 간섭 채널에서 총 전송률을 직접 최대화할 수 있는가?
• RQ2 노이즈 전력을 입력으로 포함시키면 DNN 기반 전력 제어 정책의 일반화 능력이 어떻게 향상되는가?
• RQ3 여러 개의 DNN을 앙상블 학습시키면 개별 모델과 기존 전문가가 설계한 알고리즘의 성능을 초월할 수 있는가?
• RQ4 제약 조건 페널티 초모수 λ가 타당성과 총 전송률 성능 간의 트레이드오프에 미치는 영향은 무엇인가?
• RQ5 기존 반복적 또는 전수 탐색 방법과 비교해 본 방법의 성능 및 복잡도는 어떻게 스케일링되는가?

주요 결과

• ePCNet+는 대칭 K-사용자 간섭 채널을 포함한 다양한 시스템 구성에서 모든 최첨단 전력 제어 방법보다 총 전송률에서 뛰어난 성능을 보였다.
• 앙상블 접근법은 단일 PCNet+ 모델보다 성능을 크게 향상시켜 모델 예측의 다양성의 이점을 입증했다.
• 사용자 수가 증가할수록 WMMSE 기반 방법보다 높은 총 전송률을 달성하면서도 낮은 계산 복잡도를 유지했다.
• 손실 함수에서 λ = 10일 때 최적 성능을 달성했으며, 이는 과도한 페널티와 제약 조건에 대한 과도한 집중으로 인해 높은 값일 경우 성능 저하가 발생하기 때문이다.
• ePCNet+는 앙상블 크기가 더 큰 경우(M > 1)에 항상 단일 모델보다 뛰어난 성능을 보이며, 특히 최소 전송률 제약 조건 하에서 강건성이 향상되었다.
• 노이즈 전력을 입력으로 포함시킴으로써 다양한 노이즈 전력 수준으로의 일반화 능력이 뛰어나 실용적 적용 가능성이 높아졌다.