[论文解读] Wireless Link Scheduling via Graph Representation Learning: A Comparative Study of Different Supervision Levels

Navid Naderializadeh|arXiv (Cornell University)|Oct 4, 2021

Cooperative Communication and Network Coding被引用 6

一句话总结

本论文提出一种基于图神经网络（GNN）的方法，用于无线链路调度，采用不同监督水平——监督学习、无监督学习和自监督学习——在由信道矩阵导出的干扰图上进行训练。研究发现，在更大、更密集的网络中，监督学习在吞吐量、收敛速度、样本效率和泛化能力方面均优于无监督学习，尽管其标注成本较高；而自监督预训练则在所有设置下均能加速训练。

ABSTRACT

We consider the problem of binary power control, or link scheduling, in wireless interference networks, where the power control policy is trained using graph representation learning. We leverage the interference graph of the wireless network as an underlying topology for a graph neural network (GNN) backbone, which converts the channel matrix to a set of node embeddings for all transmitter-receiver pairs. We show how the node embeddings can be trained in several ways, including via supervised, unsupervised, and self-supervised learning, and we compare the impact of different supervision levels on the performance of these methods in terms of the system-level throughput, convergence behavior, sample efficiency, and generalization capability.

研究动机与目标

• 探究不同监督水平（监督学习、无监督学习和自监督学习）对无线链路调度中图表示学习的影响。
• 评估模型在系统吞吐量、收敛速度、样本效率和泛化能力等关键指标上的性能表现。
• 评估自监督预训练是否能够提升链路调度任务中监督和无监督GNN的性能。
• 评估在干扰受限的无线网络中，高质量标注数据（监督学习）与数据高效训练（无监督/自监督学习）之间的权衡。
• 确定在何种网络条件（如规模、密度）下，每种学习范式在二元功率控制任务中表现更优。

提出的方法

• 干扰网络被建模为有向图，其中节点表示收发对，边表示干扰链路，边权重由信道增益确定。
• 图神经网络（GNN）主干网络处理干扰图，从信道矩阵中为每个收发对生成节点嵌入表示。
• 监督学习使用穷举搜索获得的最优链路调度决策作为标签，训练GNN以预测激活链路。
• 无监督学习通过节点嵌入上的对比损失进行训练，无需标签，依赖于结构和特征相似性。
• 自监督预训练采用掩码自编码或对比预测方法初始化GNN权重，随后在监督或无监督目标上进行微调。
• 性能评估指标包括归一化和速率、收敛速度（达到最优速率80%所需时间）、样本效率（训练集大小与性能的关系），以及在不同网络规模下的泛化能力。

实验结果

研究问题

• RQ1 在系统级吞吐量方面，基于GNN的链路调度在监督学习、无监督学习和自监督学习训练范式下的性能表现如何？
• RQ2 在链路调度任务中，采用不同监督水平时，收敛速度与样本效率之间的权衡关系如何？
• RQ3 在训练规模不同的网络上测试时，不同监督水平下训练的GNN的泛化能力如何变化？
• RQ4 自监督预训练在多大程度上能够提升监督和无监督GNN在链路调度任务中的收敛速度和性能表现？
• RQ5 在何种网络条件（如规模、干扰密度）下，尽管标注成本较高，监督学习仍能优于无监督学习？

主要发现

• 对于K=10个发射机的网络，监督模型可实现超过80%的最优和速率（来自穷举搜索），优于无监督模型，且后者在网络规模增大时性能下降更明显。
• 无监督模型的收敛速度显著慢于监督模型，尤其在较大网络（K=10）中，达到80%最优性能所需训练轮数明显更多。
• 仅使用64个训练样本时，无监督模型在小型网络（K=4）中优于监督模型；但对于K=10的网络，监督模型在所有样本规模（最多256个）下均持续优于无监督模型。
• 当在大型网络（K_train=10）上训练时，监督模型的泛化能力优于无监督模型；而当在小型网络（K_train=4）上训练时，无监督模型的泛化能力优于在相同规模下训练的监督模型。
• 自监督预训练显著加速收敛，使监督模型在K=4和K=6的网络中，仅用两个训练轮即可超过80%的归一化和速率。
• 随着网络规模增大，监督与无监督模型之间的性能差距扩大，表明随着干扰模式复杂度提升，监督学习的价值愈发显著。