[论文解读] 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 7

一句话总结

本文提出一种基于协作深度神经网络（C-DNNs）的去中心化深度调度框架，用于解决具有任意、局部化信道状态信息（CSI）不确定性的干扰信道中的鲁棒链路调度问题。通过训练C-DNNs根据本地CSI对最优传输决策进行分类，该方法在不同CSI质量配置下均实现了优异的总速率性能，显著优于朴素方法、TDMA以及本地鲁棒调度方案，尤其在非对称或不完整CSI条件下表现更优。

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.

研究动机与目标

• 解决在发射机拥有不完整或噪声CSI的干扰信道中实现鲁棒去中心化调度的挑战。
• 克服现有启发式及场景特定方法在可扩展性和通用性方面的局限性。
• 为去中心化协调开发一种通用且可扩展的解决方案，能够适应不同发射机之间任意的CSI质量分布。
• 使发射机仅基于本地CSI估计即可做出最优传输决策，而无需通信。
• 证明协作深度学习在不确定性环境下去中心化团队决策问题中的有效性。

提出的方法

• 将去中心化调度问题重新构架为使用深度神经网络（DNNs）的协作分类任务。
• 训练协作DNNs（C-DNNs），其中每个发射机的DNN处理其本地CSI估计以预测传输动作。
• 采用联合训练策略，确保DNNs在信息去中心化的情况下仍能学习到协调策略。
• 使用噪声协方差矩阵建模CSI不确定性，其中每个发射机观测到不同水平的信道质量。
• 应用ReLU激活函数和反向传播算法，实现DNNs的高效、可扩展训练。
• 引入噪声模型，其中真实信道受i.i.d.卡方分布噪声污染，方差矩阵定义了每个发射机的CSI不确定性。

实验结果

研究问题

• RQ1 协作深度学习能否为任意CSI不确定性下的去中心化调度提供一种通用且可扩展的解决方案？
• RQ2 在不同CSI质量水平下，C-DNNs与经典调度方案（如TDMA、始终开启、朴素方法）的性能相比如何？
• RQ3 C-DNNs在非对称CSI配置下（如一个发射机拥有完美CSI，其他发射机拥有部分或无CSI）的适应能力如何？
• RQ4 当所有发射机的CSI质量均匀退化时，C-DNNs是否仍能保持鲁棒性和性能优势？
• RQ5 C-DNNs能否在性能上超越依赖启发式或场景特定假设的本地鲁棒调度策略？

主要发现

• C-DNNs在所有CSI质量水平下均显著优于朴素调度方法，尤其在非对称配置下表现更优，即一个发射机拥有完美CSI而其他发射机拥有部分或无CSI时。
• 在一对两用户干扰信道中，当一个发射机拥有完美CSI而另一个无CSI时，C-DNNs实现的总速率性能优于TDMA，并接近完美CSI基准的最优性能。
• 当所有发射机的CSI接近完美（σ ≈ 0）时，C-DNNs的性能略低于朴素调度方法，可能由于训练复杂度增加和收敛困难所致。
• 随着CSI质量下降（σ增大），在某些配置下C-DNNs的性能反而提升，可能由于对策略空间的更好探索或过拟合减少。
• 随着CSI质量下降，未获知信息的发射机的传输占比增加，而知情发射机则相应调整其策略，展现出无需通信的智能协调能力。
• C-DNN框架对任意CSI分布表现出强大的适应能力，证明其在高度去中心化和不确定环境中依然有效。