[论文解读] Towards Optimal Power Control via Ensembling Deep Neural Networks

Fei Liang, Cong Shen+2 more|arXiv (Cornell University)|Jul 26, 2018

Wireless Signal Modulation Classification参考文献 47被引用 19

一句话总结

该论文提出ePCNet+，一种基于无监督学习的深度神经网络集成模型，可直接在干扰受限的无线网络中最大化和速率，其性能优于现有最先进方法，且计算复杂度更低，尤其在用户数较多时优势显著。

ABSTRACT

A deep neural network (DNN) based power control method is proposed, which aims at solving the non-convex optimization problem of maximizing the sum rate of a multi-user interference channel. Towards this end, we first present PCNet, which is a multi-layer fully connected neural network that is specifically designed for the power control problem. PCNet takes the channel coefficients as input and outputs the transmit power of all users. A key challenge in training a DNN for the power control problem is the lack of ground truth, i.e., the optimal power allocation is unknown. To address this issue, PCNet leverages the unsupervised learning strategy and directly maximizes the sum rate in the training phase. Observing that a single PCNet does not globally outperform the existing solutions, we further propose ePCNet, a network ensemble with multiple PCNets trained independently. Simulation results show that for the standard symmetric multi-user Gaussian interference channel, ePCNet can outperform all state-of-the-art power control methods by 1.2%-4.6% under a variety of system configurations. Furthermore, the performance improvement of ePCNet comes with a reduced computational complexity.

研究动机与目标

• 解决多用户干扰信道中非凸和速率最大化这一长期存在的挑战。
• 克服依赖次优基线（如WMMSE）的监督学习方法所面临的性能瓶颈。
• 开发一种数据驱动的功率控制方案，使其在不同噪声功率水平和用户数量下均具备良好的泛化能力。
• 在计算复杂度更低的前提下实现接近最优的性能，尤其适用于大规模系统。

提出的方法

• 提出PCNet，一种全连接的深度神经网络，通过无监督学习训练，以最大化系统和速率，无需依赖真实最优功率分配作为监督信号。
• 通过引入噪声功率作为输入特征，改进PCNet+，以提升在不同噪声条件下的泛化能力。
• 设计ePCNet+为多个独立训练的PCNet+模型的集成，选择在所有模型中和速率最高的功率配置。
• 将训练损失公式化为和速率的可微分近似，并加入速率约束的惩罚项，实现端到端优化。
• 采用混合损失函数，结合和速率最大化与约束违反惩罚，通过超参数λ的调优以平衡可行性与性能。
• 利用集成平均策略提升鲁棒性与性能，超越单一网络，降低预测方差。

实验结果

研究问题

• RQ1 无监督深度学习训练能否在不依赖次优基线（如WMMSE）的情况下，直接在干扰信道中最大化和速率？
• RQ2 将噪声功率作为输入特征，如何提升基于DNN的功率控制策略的泛化能力？
• RQ3 多个DNN的集成学习能否超越单个模型及现有专家设计的算法性能？
• RQ4 约束惩罚超参数λ对可行性与和速率性能之间权衡的影响如何？
• RQ5 与传统迭代或穷举搜索方法相比，所提方法在性能与复杂度上的可扩展性如何？

主要发现

• ePCNet+ 在各种系统配置下（包括对称K用户干扰信道）的和速率性能全面优于所有现有最先进功率控制方法。
• 集成方法显著优于单个PCNet+模型，证明了模型预测多样性带来的优势。
• ePCNet+ 在和速率方面优于基于WMMSE的方法，同时保持更低的计算复杂度，尤其在用户数增加时优势更明显。
• 损失函数中λ = 10时达到最优性能，更高值会导致性能下降，原因在于惩罚过重及对约束的过度聚焦。
• 当集成规模更大（M > 1）时，ePCNet+ 持续优于单个模型，且在最小速率约束下表现出更强的鲁棒性。
• 当噪声功率作为输入特征时，该方法在不同噪声功率水平下均表现出良好泛化能力，显著提升了实际应用潜力。