[論文レビュー] Scalable Base Station Configuration via Bayesian Optimization with Block Coordinate Descent

Kakeru Takamori, Koya Sato|arXiv (Cornell University)|Feb 18, 2026

Advanced MIMO Systems Optimization被引用数 0

ひとこと要約

スケーラブルなベイズ最適化フレームワークによる密集基地局配置の逐次最適化。ブロック座標降下法を用いて各基地局パラメータを順次最適化し、密集展開で性能を向上させる。

ABSTRACT

This paper proposes a scalable Bayesian optimization (BO) framework for dense base-station (BS) configuration design. BO can find an optimal BS configuration by iterating parameter search, channel simulation, and probabilistic modeling of the objective function. However, its performance is severely affected by the curse of dimensionality, thereby reducing its scalability. To overcome this limitation, the proposed method sequentially optimizes per-BS parameters based on block coordinate descent while fixing the remaining BS configurations, thereby reducing the effective dimensionality of each optimization step. Numerical results demonstrate that the proposed approach significantly outperforms naive optimization in dense deployment scenarios.

研究の動機と目的

• 高次元パラメータ空間下でのマルチB S システムのスケーラブル設計を動機付ける。
• シミュレーションを通じて基地局配置、電力、アンテナ指向を最適化しエリア平均スループットを最大化する。
• 密集したBS展開におけるBOの次元の呪いを回避するため、各BSの逐次最適化を導入する。

提案手法

• 高次元のBS配置を各BSパラメータブロックに分解する。
• ブロック座標降下法をベイズ最適化と統合し、他を固定したまま一つのBSを最適化する。
• 各BSの目的サブ問題をモデル化するためRBFカーネルを用いたGaussian processを使用する。
• 外部ループごとにBSの順序をランダムに更新し、固定コンテキストのもと各BSで内側ループのBOを実行する。
• 総予算が尽きるまで、各各BS更新ごとに観測を再初期化しサイクルを繰り返す。

実験結果

リサーチクエスチョン

• RQ1 密集したマルチBS構成に対して、ベイズ最適化をどのようにスケーラブルにできるか。
• RQ2 ブロック座標降下法による各BSの逐次最適化は、素朴なBOと比較して収束とスループットを改善するか。
• RQ3 現実的な都市部のチャンネルシミュレーションにおける提案手法の性能向上はどの程度か。

主な発見

• 提案されたBCD支援BOアプローチは、密集展開において素朴な最適化を大幅に上回る。
• N_Tx = 16 の場合、BOベースの最適化による電力と指向性の最適化で、オムニディレクショナル平方配置と比較してエリア平均スループットを15.8%高める。
• N_Tx = 25 の場合、BOベースの最適化による電力と指向性の最適化で、オムニディレクショナル平方配置と比較してエリア平均スループットを21.5%高める。
• シミュレーションはSionna RTを用い、1 km × 1 kmのミュンヘン都市環境で基地局高さ20m、受信機高さ1.5m。
• 最適化の例は広いエリアにわたるより良いスループットを示す。