[论文解读] Deep Learning for Radio Resource Allocation in Multi-Cell Networks

Kazi Ishfaq Ahmed, Hina Tabassum+1 more|arXiv (Cornell University)|Aug 2, 2018

Advanced MIMO Systems Optimization参考文献 10被引用 6

一句话总结

本文提出一种基于深度神经网络（DNN）的监督式深度学习模型，用于解决多小区5G/后5G网络中的非凸子带与功率分配问题。通过使用遗传算法生成的近似最优解进行训练，该DNN在在线计算量极小的情况下，实现了86.3%的预测准确率，为传统优化方法提供了一种可扩展的替代方案。

ABSTRACT

Increased complexity and heterogeneity of emerging 5G and beyond 5G (B5G) wireless networks will require a paradigm shift from traditional resource allocation mechanisms. Deep learning (DL) is a powerful tool where a multi-layer neural network can be trained to model a resource management algorithm using network data.Therefore, resource allocation decisions can be obtained without intensive online computations which would be required otherwise for the solution of resource allocation problems. In this context, this article focuses on the application of DL to obtain solutions for the radio resource allocation problems in multi-cell networks. Starting with a brief overview of a deep neural network (DNN) as a DL model, relevant DNN architectures and the data training procedure, we provide an overview of existing state-of-the-art applying DL in the context of radio resource allocation. A qualitative comparison is provided in terms of their objectives, inputs/outputs, learning and data training methods. Then, we present a supervised DL model to solve the sub-band and power allocation problem in a multi-cell network. Using the data generated by a genetic algorithm, we first train the model and then test the accuracy of the proposed model in predicting the resource allocation solutions. Simulation results show that the trained DL model is able to provide the desired optimal solution 86.3% of time.

研究动机与目标

• 解决密集异构5G/后5G网络中传统优化方法存在的高计算复杂度问题。
• 通过用训练好的深度神经网络模型替代迭代优化，降低在线计算时间。
• 评估监督式深度学习方法在多小区场景中预测最优子带与功率分配的性能。
• 研究模型架构（如隐藏层数量）和训练数据规模对预测准确率的影响。
• 探索深度学习在大规模蜂窝网络中实现实时、可扩展资源管理的可行性。

提出的方法

• 使用包含多个堆叠自编码器的深度神经网络（DNN）进行特征学习和输入数据的层次化表示。
• 采用贪婪逐层自编码器方法对DNN进行预训练，以初始化权重并提取高层特征。
• 添加Softmax输出层，并使用反向传播算法在遗传算法生成的带标签训练数据上进行微调。
• 采用监督学习框架进行模型训练，其中输入表示网络状态（如信道条件），输出表示最优子带与功率分配。
• 为防止过拟合，使用L2权重正则化（0.004）、早停策略（patience=4）以及最多1000个训练周期的超参数设置。
• 在测试数据集上评估模型，以衡量最优资源分配预测的准确率。

实验结果

研究问题

• RQ1 深度神经网络是否能在无需实时优化的情况下准确预测多小区网络中的最优子带与功率分配？
• RQ2 DNN中隐藏层数量的增加如何影响预测准确率与泛化性能？
• RQ3 训练数据规模的增加对模型泛化到未见网络配置能力的影响如何？
• RQ4 使用遗传算法生成训练数据对深度学习模型性能的影响是什么？
• RQ5 与传统优化技术相比，深度学习在无线资源分配中能将计算复杂度降低多少？

主要发现

• 当使用四层隐藏层时，DNN模型达到86.31%的最大预测准确率，表明其在识别最优资源分配解决方案方面表现优异。
• 随着训练样本数量增加，准确率持续上升直至饱和点，此后进一步增加数据量对测试准确率的提升不明显。
• 当隐藏层数量超过最优值后，模型因学习噪声而出现过拟合，导致测试准确率下降。
• 使用遗传算法生成数据训练的模型表现出高准确率，表明利用启发式优化方法进行数据合成具有有效性。
• 训练准确率在样本较少时初始值较高，但随着数据量增加而下降；而测试准确率则持续提升并最终趋于饱和。
• 该模型支持快速推理，仅需极少的在线计算，适用于大规模5G/后5G网络中的实时部署。