[论文解读] Graph Neural Networks for Scalable Radio Resource Management: Architecture Design and Theoretical Analysis

Yifei Shen, Yuanming Shi+2 more|arXiv (Cornell University)|Jul 15, 2020

Advanced MIMO Systems Optimization参考文献 45被引用 4

一句话总结

本文提出了一种基于图神经网络（GNN）的架构——消息传递图神经网络（MPGNNs），用于大规模无线网络中的可扩展无线电资源管理。通过利用排列等变性以及与分布式优化算法的理论等价性，该方法实现了实时性能——在单个GPU上仅用6毫秒即可解决1,000对收发器的波束成形问题，同时在无需领域特定知识的情况下，性能优于传统优化方法。

ABSTRACT

Deep learning has recently emerged as a disruptive technology to solve challenging radio resource management problems in wireless networks. However, the neural network architectures adopted by existing works suffer from poor scalability, generalization, and lack of interpretability. A long-standing approach to improve scalability and generalization is to incorporate the structures of the target task into the neural network architecture. In this paper, we propose to apply graph neural networks (GNNs) to solve large-scale radio resource management problems, supported by effective neural network architecture design and theoretical analysis. Specifically, we first demonstrate that radio resource management problems can be formulated as graph optimization problems that enjoy a universal permutation equivariance property. We then identify a class of neural networks, named \emph{message passing graph neural networks} (MPGNNs). It is demonstrated that they not only satisfy the permutation equivariance property, but also can generalize to large-scale problems while enjoying a high computational efficiency. For interpretablity and theoretical guarantees, we prove the equivalence between MPGNNs and a class of distributed optimization algorithms, which is then used to analyze the performance and generalization of MPGNN-based methods. Extensive simulations, with power control and beamforming as two examples, will demonstrate that the proposed method, trained in an unsupervised manner with unlabeled samples, matches or even outperforms classic optimization-based algorithms without domain-specific knowledge. Remarkably, the proposed method is highly scalable and can solve the beamforming problem in an interference channel with $1000$ transceiver pairs within $6$ milliseconds on a single GPU.

研究动机与目标

• 解决现有深度学习方法在大规模无线电资源管理中可扩展性和泛化能力差的问题。
• 设计一种神经网络架构，其本身能够尊重无线网络优化问题的结构特性。
• 为基于学习的无线电资源管理建立泛化性和可解释性的理论保证。
• 实现无监督训练，具备高计算效率，并对网络规模变化具有鲁棒性。

提出的方法

• 将无线电资源管理问题表述为具有通用排列等变性的图优化问题。
• 提出消息传递图神经网络（MPGNNs），一类保持排列等变性并支持向更大网络泛化的GNN家族。
• 设计一种神经架构，其中节点状态通过边上的消息传递进行更新，使用信道状态信息以及功率/波束成形变量作为输入。
• 基于信道矩阵和先前状态定义消息函数，通过汇总传入消息的总和进行聚合。
• 建立MPGNNs与分布式优化算法之间的理论等价性，从而实现性能和泛化能力的分析。
• 采用无监督训练方法，使用未标记的信道状态样本，避免依赖于标注的最优解。

实验结果

研究问题

• RQ1 能否有效设计图神经网络以建模具有固有结构约束的大规模无线电资源管理问题？
• RQ2 所提出的MPGNN架构是否保持排列等变性，并在不同网络规模间实现泛化？
• RQ3 无监督的MPGNN方法在性能和速度方面在多大程度上可匹配或超越经典优化算法？
• RQ4 所提出的MPGNN与分布式优化算法之间存在何种理论关系？
• RQ5 在计算时间和网络规模方面，MPGNN方法的可扩展性如何，特别是在干扰受限系统中？

主要发现

• 所提出的基于MPGNN的方法在单个GPU上仅用6毫秒即可解决包含1,000对收发器的干扰信道中的波束成形问题，展现出极高的计算效率。
• 该方法在未访问领域特定知识或标注最优解的情况下，性能达到或超过经典优化算法（如WMMSE）的水平。
• 即使在测试网络的收发器数量超过训练阶段所见规模时，泛化性能依然强劲，表明其具备出色的可扩展性。
• 理论分析证明，MPGNNs与一类分布式优化算法等价，从而提供了可解释性和性能保证。
• 该方法在不同网络规模下均保持高精度，与MLP和CNN基线相比，性能退化显著降低。
• 在功率控制和波束成形上的大量仿真结果表明，MPGNN在准确性和可扩展性方面均优于现有深度学习方法。