[論文レビュー] Wireless Link Scheduling via Graph Representation Learning: A Comparative Study of Different Supervision Levels

Navid Naderializadeh|arXiv (Cornell University)|Oct 4, 2021

Cooperative Communication and Network Coding被引用数 6

ひとこと要約

本稿では、チャネル行列から導出される干渉グラフを用いて、変動する監視レベル（教師あり、教師なし、自己教師あり学習）に基づくグラフニューラルネットワーク（GNN）を用いた無線リンクスケジューリングの手法を提案する。結果として、スループット、収束速度、サンプル効率、一般化性能の観点から、教師あり学習が、高コストなラベル付けを伴うが、より大きな、密度の高いネットワークにおいて教師なし学習を上回ることが判明した。一方、自己教師あり事前学習は、すべての設定において学習を加速することがわかった。

ABSTRACT

We consider the problem of binary power control, or link scheduling, in wireless interference networks, where the power control policy is trained using graph representation learning. We leverage the interference graph of the wireless network as an underlying topology for a graph neural network (GNN) backbone, which converts the channel matrix to a set of node embeddings for all transmitter-receiver pairs. We show how the node embeddings can be trained in several ways, including via supervised, unsupervised, and self-supervised learning, and we compare the impact of different supervision levels on the performance of these methods in terms of the system-level throughput, convergence behavior, sample efficiency, and generalization capability.

研究の動機と目的

• 異なる監視レベル（教師あり、教師なし、自己教師あり）が、無線リンクスケジューリングのためのグラフ表現学習に与える影響を調査すること。
• システムスループット、収束速度、サンプル効率、一般化能力といった主要指標におけるモデル性能を評価すること。
• 自己教師あり事前学習が、リンクスケジューリングタスクにおける教師ありおよび教師なしGNNの両方の収束と性能を向上させることを評価すること。
• 干渉制限のある無線ネットワークにおいて、高品質なラベル付きデータ（教師あり）とデータ効率の良い学習（教師なし／自己教師あり）の間のトレードオフを評価すること。
• ネットワークのサイズや密度といった条件下で、それぞれの学習パラダイムが、二値電力制御において優れた性能を示す条件を特定すること。

提案手法

• 干渉ネットワークは、ノードが送信機受信機ペアを表し、エッジが干渉リンクを表す有向グラフとしてモデル化される。エッジの重みはチャネルゲインから導出される。
• グラフニューラルネットワーク（GNN）バックボーンが、チャネル行列から得られる干渉グラフを処理し、各送信機受信機ペアのノード埋め込みを生成する。
• 教師あり学習では、全探索による最適なリンクスケジューリング意思決定をラベルとして用い、GNNがアクティブなリンクを予測するように学習する。
• 教師なし学習では、ラベルなしでノード埋め込みのコントラスト損失を用いて学習し、構造的および特徴的類似性に依存する。
• 自己教師あり事前学習では、マスクドオートエンコーダーやコントラスト予測を用いて、教師ありまたは教師なしの目的関数でのファインチューニングの前にGNN重みを初期化する。
• 性能は、正規化された合計スループット、収束速度（最適スループットの80％に達するまでの時間）、サンプル効率（トレーニングセットサイズと性能の関係）、およびネットワークサイズの異なる条件での一般化性能を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 システムスループットの観点から、GNNベースのリンクスケジューリングの性能は、教師あり、教師なし、自己教師あり学習の各パラダイムでどのように変化するか？
• RQ2 リンクスケジューリングタスクにおいて、異なる監視レベルを使用する際の収束速度とサンプル効率のトレードオフは何か？
• RQ3 異なるネットワークサイズ（トレーニングとは異なるサイズ）でテストした場合、異なる監視レベルで学習されたGNNの一般化能力はどのように変化するか？
• RQ4 自己教師あり事前学習は、リンクスケジューリングにおいて、教師ありおよび教師なしGNNの収束と性能をどの程度向上させることができるか？
• RQ5 干渉密度などのネットワーク条件（例：サイズ、干渉密度）は、ラベルコストが高いため、教師あり学習が教師なし学習を上回る状況はどのようなものか？

主な発見

• K=10の送信機を持つネットワークでは、教師ありモデルが全探索による最適合計スループットの80％以上を達成し、教師なしモデルよりも優れた性能を示す。教師なしモデルはネットワークサイズの増加に伴い急激に性能が低下する。
• 教師なしモデルは、特に大きなネットワーク（K=10）において、教師ありモデルよりも著しく収束が遅く、最適性能の80％に達するまでにはるかに多くのエポックを要する。
• 64件のトレーニングサンプルのみで、K=4の小さなネットワークでは教師なしモデルが教師ありモデルを上回るが、K=10のネットワークでは、256までのすべてのサンプルサイズにおいて、教師ありモデルが一貫して教師なしモデルを上回る。
• K_train=10の大きなネットワークで学習した教師ありモデルは、K_train=4の小さなネットワークで学習した教師なしモデルよりも一般化性能が優れている。一方、K_train=4のネットワークで学習した教師なしモデルは、同じサイズの教師ありモデルよりも一般化性能が優れている。
• 自己教師あり事前学習は収束を顕著に加速させ、K=4およびK=6のネットワークにおいて、2エポック以内に80％以上の正規化合計スループットに到達させることが可能になった。
• ネットワークサイズが大きくなるにつれて、教師ありモデルと教師なしモデルの性能差が拡大しており、干渉パターンの複雑さが増すに従い、監視の価値が高まっていることが示唆された。