[论文解读] 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 10

一句话总结

本文提出干扰图卷积网络（IGCNet），一种图神经网络方法，将K用户干扰信道建模为完整图，以信道状态信息（CSI）作为节点特征，实现无监督、可扩展的功率控制。IGCNet在和速率性能方面表现优异，相比WMMSE算法提速高达65倍，且对部分和噪声CSI保持鲁棒性。

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.

研究动机与目标

• 解决传统深度学习模型（如MLP、CNN）在大规模无线功率控制问题中的可扩展性局限。
• 克服空间CNN和图嵌入方法无法引入瞬时CSI以及难以处理加权和速率最大化的问题。
• 开发一种基于学习、可扩展且鲁棒的功率控制方法，保持排列不变性并利用网络拓扑结构。
• 实现无监督训练，降低对标注数据的依赖，提升在不同网络配置下的泛化能力。

提出的方法

• 将K用户干扰信道建模为完全图，每个用户为一个节点，所有链路为边。
• 将信道状态信息（CSI）编码为节点特征，将功率控制问题转化为图表示学习任务。
• 提出干扰图卷积网络（IGCNet），一种单层或多层图神经网络，通过图卷积聚合邻居信息。
• 采用无监督训练目标，学习最优功率控制策略，无需依赖标注的最优解。
• 利用IGCNet对连续集合函数的通用逼近能力，确保排列不变性并提升对网络重排的鲁棒性。
• 设计消息传递机制，实现图中干扰信息的传播，捕捉干扰模式中的长程依赖关系。

实验结果

研究问题

• RQ1 图神经网络能否有效用于建模和求解K用户干扰信道中的NP难功率控制问题？
• RQ2 IGCNet在和速率与可扩展性方面是否优于现有基于学习的方法（如MLP、DPC、PCNet）？
• RQ3 IGCNet在CSI不完整或存在噪声的情况下是否仍能保持高性能？其对信道估计误差的鲁棒性如何？
• RQ4 层数和训练样本数量如何影响IGCNet的性能与泛化能力？
• RQ5 IGCNet能否在实时无线系统中实现相比传统基于优化的算法（如WMMSE）的显著提速？

主要发现

• 在K=30、瑞利衰落信道下，IGCNet的平均和速率相对最优WMMSE解达到102.7%，优于WMMSE及所有基线学习方法。
• IGCNet相比WMMSE最高可提速65倍，K=30时平均运行时间分别为0.48ms（IGCNet）与31.4ms（WMMSE）。
• 当70%的CSI链路缺失时，IGCNet仍保持完整CSI性能的92%，展现出对部分CSI的强鲁棒性。
• 当CSI存在10%相对噪声方差时，IGCNet在完整CSI下的性能仍保持92%，证实对噪声信道估计的鲁棒性。
• 仅需2,000个训练样本，IGCNet即可实现性能稳定，显著少于先前方法所需数量。
• IGCNet性能随深度增加而提升，1层模型达到最优和速率的94.7%，9层模型达到102.7%。