[论文解读] Joint User Association and Power Allocation in Heterogeneous Ultra Dense Network via Semi-Supervised Representation Learning

Xiangyu Zhang, Zhengming Zhang+1 more|arXiv (Cornell University)|Mar 29, 2021

Advanced MIMO Systems Optimization参考文献 45被引用 8

一句话总结

本文提出了一种基于图神经网络（GNN）的半监督表示学习框架，用于在异构超密集网络（HUDNs）中联合优化用户关联与功率分配。通过将HUDNs建模为异质图，并利用包含无监督和有监督组件的GNN进行训练——结合熵正则化——该方法在计算效率和性能方面均优于传统优化方法。采用两阶段学习方法（泛化-表示学习与专门化-表示学习），实现了快速在线适应。

ABSTRACT

Heterogeneous Ultra-Dense Network (HUDN) is one of the vital networking architectures due to its ability to enable higher connectivity density and ultra-high data rates. Rational user association and power control schedule in HUDN can reduce wireless interference. This paper proposes a novel idea for resolving the joint user association and power control problem: the optimal user association and Base Station transmit power can be represented by channel information. Then, we solve this problem by formulating an optimal representation function. We model the HUDNs as a heterogeneous graph and train a Graph Neural Network (GNN) to approach this representation function by using semi-supervised learning, in which the loss function is composed of the unsupervised part that helps the GNN approach the optimal representation function and the supervised part that utilizes the previous experience to reduce useless exploration. We separate the learning process into two parts, the generalization-representation learning (GRL) part and the specialization-representation learning (SRL) part, which train the GNN for learning representation for generalized scenario quasi-static user distribution scenario, respectively. Simulation results demonstrate that the proposed GRL-based solution has higher computational efficiency than the traditional optimization algorithm, and the performance of SRL outperforms the GRL.

研究动机与目标

• 解决异构超密集网络（HUDNs）中联合用户关联与功率分配（UAPA）问题的高计算复杂度与非凸性挑战。
• 克服传统优化方法的局限性，后者速度慢，且难以应对UAPA问题中的耦合性与可扩展性问题。
• 开发一种数据驱动的端到端学习框架，可在多样化用户分布中泛化，同时支持对准静态条件的快速在线适应。
• 将半监督学习与图神经网络相结合，利用未标记的网络配置和已有标记经验，实现高效且鲁棒的表示学习。

提出的方法

• 将HUDN建模为异质图，其中节点代表用户和基站（BSs），边编码信道状态信息和预编码矩阵。
• 训练图神经网络（GNN）以学习一个表示函数，将网络参数映射到最优用户关联与发射功率配置。
• 采用两阶段学习策略：在多样化场景下进行离线预训练的泛化-表示学习（GRL），随后在特定用户分布上进行在线微调的专门化-表示学习（SRL）。
• 设计一种半监督损失函数，结合无监督对比学习（用于学习通用表示）与有监督学习（用于融入先验知识并减少初始探索）。
• 在GNN输出上应用熵正则化，以在训练过程中促进对高维配置空间的有效探索。
• 直接利用GNN输出以端到端可微的方式推断用户关联与功率控制决策，避免迭代优化。

实验结果

研究问题

• RQ1 图神经网络能否有效学习一个表示函数，将HUDN参数映射到最优用户关联与功率分配决策？
• RQ2 在半监督GNN框架中结合无监督与有监督学习，相较于纯有监督或无监督方法，如何提升收敛速度与性能？
• RQ3 两阶段GRL/SRL训练策略在动态HUDN环境中在计算效率与性能方面提升的程度如何？
• RQ4 熵正则化在GNN训练过程中如何促进对配置空间的更有效探索？

主要发现

• 所提出的基于GRL的解决方案在计算效率方面显著优于传统优化算法，在保持高质量解的同时减少了运行时间。
• SRL微调阶段在频谱效率与干扰抑制方面始终优于GRL基线，证明了在线适应的价值。
• 结合熵正则化的半监督GNN框架减少了初始训练阶段的广泛探索需求，加速了收敛。
• 由于离线GRL预训练，GNN方法在多样化用户分布中表现出良好的泛化能力，支持在新场景中快速部署。
• 仿真结果证实，通过GNN实现的联合优化可达到接近最优的性能，且复杂度低于传统迭代方法。
• 该方法通过从网络状态到资源分配的直接端到端映射，有效处理了UAPA问题的非凸性与耦合性。