[論文レビュー] Decentralized Deep Scheduling for Interference Channels

Paul de Kerret, David Gesbert+1 more|arXiv (Cornell University)|Nov 2, 2017

Advanced MIMO Systems Optimization参考文献 12被引用数 7

ひとこと要約

本稿では、任意で局所的なチャネル状態情報（CSI）の不確実性を伴う干渉チャネルにおけるロバストなリンクスケジューリングを解決するため、協調的ディープニューラルネットワーク（C-DNNs）を用いた分散型ディープスケジューリングフレームワークを提案する。局所的なCSIに基づいて最適な送信意思決定を分類するようにC-DNNsを訓練することで、さまざまなCSI品質設定において優れた総スルーレート性能を達成し、ナーブな手法、TDMA、および局所的にロバストなスケジューリング手法を上回る。特に、非対称的または不完全なCSI条件下で顕著な優位性を示す。

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.

研究の動機と目的

• 送信機が不完全またはノイズ混じりのCSIを持つ干渉チャネルにおいて、ロバストで分散型のスケジューリングを実現する課題に取り組む。
• スケーラビリティと一般性に欠けるヒューリスティック手法やシナリオ特化型手法の限界を克服する。
• 送信機間のCSI品質分布が任意である状況に適応できる汎用的でスケーラブルな分散協調手法を開発する。
• 通信を一切行わずに、各送信機が自らの局所的なCSI推定値に基づいて最適な送信意思決定を下せるようにする。
• 不確実性下における分散型チーム意思決定問題において、協調的ディープラーニングの有効性を実証する。

提案手法

• 分散型スケジューリング問題を、ディープニューラルネットワーク（DNNs）を用いた協調的分類タスクに再定式化する。
• 各送信機のDNNが自らの局所的なCSI推定値を処理し、送信行動を予測する協調的DNN（C-DNNs）を訓練する。
• 分散情報のもとでDNNが協調的ポリシーを学習できるよう、共同訓練戦略を採用する。
• 各送信機が異なるレベルのチャネル品質を観測するため、ノイズの共分散行列を用いてCSIの不確実性をモデル化する。
• 効率的でスケーラブルなDNNの訓練のため、ReLU活性化関数と誤差逆伝播法を適用する。
• 真のチャネルがi.i.d.のカイ二乗分布ノイズで汚されるノイズモデルを統合し、各送信機のCSI不確実性を分散共分散行列で定義する。

実験結果

リサーチクエスチョン

• RQ1 協調的ディープラーニングは、任意のCSI不確実性下で汎用的でスケーラブルな分散型スケジューリングソリューションを提供できるか？
• RQ2 CSI品質の異なる状況下で、C-DNNsの性能は古典的手法（例：TDMA、常時オン、ナーブ）と比べてどの程度優れているか？
• RQ3 1つの送信機が完全なCSIを有するが、他の送信機が部分的または完全にCSIを持たない非対称なCSI構成において、C-DNNsはどの程度適応可能か？
• RQ4 CSI品質がすべての送信機で一様に劣化する状況でも、C-DNNsはロバスト性と性能向上を維持できるか？
• RQ5 ヒューリスティックまたはシナリオ特化型の仮定に依存する局所的にロバストなスケジューリング戦略に比べ、C-DNNsは優れているか？

主な発見

• C-DNNsは、すべてのCSI品質レベルでナーブなスケジューリングを著しく上回り、特に1つの送信機が完全なCSIを有し、他の送信機が部分的または完全にCSIを持たない非対称な構成において顕著な優位性を示す。
• 1つの送信機が完全なCSI、もう1つの送信機がCSIなしの2ユーザー干渉チャネルにおいて、C-DNNsはTDMAを上回り、完全なCSIのベンチマークに近づく総スルーレート性能を達成する。
• すべての送信機がほぼ完全なCSI（σ ≈ 0）を持つ状況では、C-DNNsはナーブなスケジューリングにわずかに劣るが、訓練の複雑さと収束の難易度が原因と考えられる。
• CSI品質が劣化する（σが増加する）に伴い、一部の構成ではC-DNNsの性能が向上する傾向が見られ、おそらくポリシー空間のより良い探索や過学習の低減によるものと推測される。
• CSI劣化に伴い、情報が不足している送信機の送信率の割合が増加する一方で、情報を持つ送信機は適応的に戦略を変更する。これは、通信なしに知的な協調が実現されている証左である。
• C-DNNフレームワークは、任意のCSI分布に強く適応可能であり、極めて分散的かつ不確実な環境下でも効果的であることが実証された。