[论文解读] Knowledge-Driven Resource Allocation for D2D Networks: A WMMSE Unrolled Graph Neural Network Approach

Yang Hao, Nan Cheng+6 more|arXiv (Cornell University)|Jul 12, 2023

Software-Defined Networks and 5GComputer Science被引用 3

一句话总结

该论文提出了一种知识驱动的图神经网络（GNN），通过展开加权最小均方误差（WMMSE）算法，实现在设备到设备（D2D）网络中的低时延、可扩展资源分配。通过将WMMSE的迭代结构嵌入GNN层，该模型在无需微调的情况下，对动态拓扑和移动性表现出优越的泛化能力和鲁棒性，相较于标准GNN在可扩展性和样本效率方面表现更优。

ABSTRACT

This paper proposes an novel knowledge-driven approach for resource allocation in device-to-device (D2D) networks using a graph neural network (GNN) architecture. To meet the millisecond-level timeliness and scalability required for the dynamic network environment, our proposed approach incorporates the deep unrolling of the weighted minimum mean square error (WMMSE) algorithm, referred to as domain knowledge, into GNN, thereby reducing computational delay and sample complexity while adapting to various data distributions. Specifically, the aggregation and update functions in the GNN architecture are designed by utilizing the summation and power calculation components of the WMMSE algorithm, which leads to improved model generalization and interpretabiliy. Theoretical analysis of the proposed approach reveals its capability to simplify intricate end-to-end mappings and diminish the model exploration space, resulting in increased network expressiveness and enhanced optimization performance. Simulation results demonstrate the robustness, scalability, and strong performance of the proposed knowledge-driven resource allocation approach across diverse communication topologies without retraining. Our findings contribute to the development of efficient and scalable wireless resource management solutions for distributed and dynamic networks with strict latency requirements.

研究动机与目标

• 解决在用户高移动性与拓扑多变的动态D2D网络中实现低时延、可扩展资源分配的挑战。
• 克服传统深度学习模型因固定输入/输出维度而难以处理可变规模网络的局限性。
• 通过将领域特定的WMMSE算法知识嵌入GNN架构，提升泛化能力并降低样本复杂度。
• 实现端到端学习，使模型在无需微调的情况下泛化于多样化通信拓扑和移动模式。
• 对模型的表达能力、优化性能以及在分布偏移下的鲁棒性进行理论与实证验证。

提出的方法

• 设计一种图神经网络（GNN），其聚合与更新函数源自WMMSE算法中的求和与功率计算组件。
• 将WMMSE算法展开为深层GNN架构，利用其迭代结构作为归纳偏置，指导消息传递与节点更新。
• 将来自WMMSE的领域知识整合到GNN的可学习参数中，以增强可解释性并缩小模型探索空间。
• 使用WMMSE输出作为监督信号进行端到端训练，实现毫秒级延迟的快速推理。
• 采用包含移动设备与动态拓扑的动态环境仿真，评估模型在分布偏移下的泛化能力。
• 通过不同规模的训练数据集，对比标准端到端GNN在样本效率与性能上的表现。

实验结果

研究问题

• RQ1 将WMMSE算法展开为GNN架构，是否能提升在用户数量与拓扑可变的D2D网络中的可扩展性与泛化能力？
• RQ2 与标准GNN相比，将WMMSE算法结构嵌入GNN对样本复杂度与收敛速度有何影响？
• RQ3 该知识驱动的GNN在用户移动性与拓扑变化等动态条件下，性能保持程度如何？
• RQ4 当测试数据分布偏离训练数据时，该方法是否在稀疏或密集拓扑中均优于端到端GNN？
• RQ5 该展开式GNN架构在表达能力与优化性能方面提升的理论依据是什么？

主要发现

• 所提出的知识驱动GNN在低速移动条件下性能保持在95%以上，而端到端GNN在高速移动下性能显著下降。
• 该模型在无需微调的情况下，对包括全连接图与稀疏图在内的多样化拓扑均表现出良好泛化能力，性能接近最优WMMSE解。
• 在稀疏拓扑中，该模型性能保持稳健并紧密跟踪WMMSE结果，而标准GNN随干扰密度增加而性能下降。
• 即使在小规模训练数据下，该网络仍表现出强性能，表明其因与WMMSE高度对齐而具有低样本复杂度。
• 理论分析证实，该模型简化了端到端映射，缩小了模型探索空间，从而提升了优化效率与表达能力。
• 在加权和速率场景中，性能泛化优于仅速率场景，原因在于训练期间学习到了更丰富的数据分布。