[論文レビュー] A Graph Neural Network Approach for Scalable Wireless Power Control

Yifei Shen, Yuanming Shi+2 more|arXiv (Cornell University)|Jul 19, 2019

Advanced MIMO Systems Optimization参考文献 23被引用数 10

ひとこと要約

本稿では、干渉チャネルの状態情報（CSI）をノード特徴量として用いる完全グラフとしてKユーザー干渉チャネルをモデル化することで、教師なしでスケーラブルな電力制御を実現する、干渉グラフ畳み込みネットワーク（IGCNet）を提案する。IGCNetは、WMMSEに比べ最大65倍の高速化を達成するとともに、部分的でノイズの多いCSIに対してもロバストである。

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.

研究の動機と目的

• 大規模な無線電力制御問題における従来のディープラーニングモデル（例：MLP、CNN）のスケーラビリティの限界を解決すること。
• 空間的CNNおよびグラフ埋め込み手法が即時のCSIを統合できず、重み付き和レート最大化に対処できない問題を克服すること。
• 置換不変性を保ちつつネットワークトポロジーを活用する、学習ベースでスケーラブルでロバストな電力制御手法を開発すること。
• ラベル付き最適解に依存しない教師なし学習を可能にすることで、ネットワーク構成の変更に対しても一般化性能を向上させること。

提案手法

• Kユーザー干渉チャネルを完全グラフとしてモデル化し、各ユーザーをノードとし、すべてのリンクをエッジとする。
• チャネル状態情報（CSI）をノード特徴量として符号化することで、電力制御問題をグラフ表現学習タスクに変換する。
• 隣接ノードの情報をグラフ畳み込みを用いて集約する、1層または複数層のグラフニューラルネットワークである干渉グラフ畳み込みネットワーク（IGCNet）を提案する。
• ラベル付き最適解を必要としない教師なし学習目的関数を用いて、最適な電力制御方策を学習する。
• IGCNetの普遍近似性を活用して連続的集合関数を表現することで、置換不変性とネットワーク再順序化に対するロバスト性を保証する。
• メッセージパッシング機構を設計し、グラフ全体にわたって干渉情報を伝搬させ、干渉パターンの長距離依存性を捉える。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークを用いて、Kユーザー干渉チャネルにおけるNP困難な電力制御問題を効果的にモデル化・解釈できるか？
• RQ2 IGCNetは、WMMSEや他の学習ベース手法（例：MLP、DPC、PCNet）に比べ、和レートとスケーラビリティの点で優れているか？
• RQ3 IGCNetは、不完全またはノイズの多いCSI下でも高い性能を維持できるか？また、チャネル推定誤差に対してどれほどロバストか？
• RQ4 層の数や学習サンプル数がIGCNetの性能と一般化能力にどのように影響するか？
• RQ5 リアルタイム無線システムにおいて、従来の最適化ベースのアルゴリズム（例：WMMSE）に比べ、IGCNetは顕著な高速化を達成できるか？

主な発見

• レイノールドフェーディング下（K=30）で、IGCNetは最適なWMMSE解の102.7％の平均和レートを達成し、WMMSEおよびすべてのベースライン学習ベース手法を上回る性能を示した。
• IGCNetはWMMSEに比べ最大65倍の高速化を達成し、K=30における平均実行時間はIGCNetで0.48ms、WMMSEで31.4msであった。
• CSIリンクの70％が欠落している状況でも、IGCNetは完全CSI性能の92％を維持しており、部分的CSIに対する強いロバスト性を示した。
• CSIに10％の相対ノイズ分散が存在する状況でも、IGCNetは完全CSI下の性能の92％を保持しており、ノイズの多いチャネル推定に対してもロバストであることが確認された。
• IGCNetはたった2,000件の学習サンプルで性能が安定化し、従来手法に比べて大幅に少ないサンプル数で十分な性能を達成した。
• IGCNetの性能は深さの増加に伴い向上し、1層モデルでは94.7％、9層モデルでは最適和レートの102.7％に達した。