論文の概要: Learning Resilient Radio Resource Management Policies with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2203.11012v1
• Date: Mon, 7 Mar 2022 19:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-03-27 05:46:45.205812
• Title: Learning Resilient Radio Resource Management Policies with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた弾力性無線資源管理ポリシーの学習
• Authors: Navid NaderiAlizadeh, Mark Eisen, Alejandro Ribeiro
• Abstract要約: 我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
• 参考スコア（独自算出の注目度）: 124.89036526192268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problems of downlink user selection and power control in wireless networks, comprising multiple transmitters and receivers communicating with each other over a shared wireless medium. To achieve a high aggregate rate, while ensuring fairness across all the receivers, we formulate a resilient radio resource management (RRM) policy optimization problem with per-user minimum-capacity constraints that adapt to the underlying network conditions via learnable slack variables. We reformulate the problem in the Lagrangian dual domain, and show that we can parameterize the user selection and power control policies using a finite set of parameters, which can be trained alongside the slack and dual variables via an unsupervised primal-dual approach thanks to a provably small duality gap. We use a scalable and permutation-equivariant graph neural network (GNN) architecture to parameterize the RRM policies based on a graph topology derived from the instantaneous channel conditions. Through experimental results, we verify that the minimum-capacity constraints adapt to the underlying network configurations and channel conditions. We further demonstrate that, thanks to such adaptation, our proposed method achieves a superior tradeoff between the average rate and the 5th percentile rate -- a metric that quantifies the level of fairness in the resource allocation decisions -- as compared to baseline algorithms.
• Abstract（参考訳）: 本稿では、複数の送信機と受信機が共有無線媒体を介して通信する無線ネットワークにおけるダウンリンクユーザ選択と電力制御の問題について考察する。 受信機間の公平性を確保しつつ高い集約率を達成するため,学習可能なスラック変数を介してネットワーク条件に適応するユーザあたりの最小容量制約による応答性無線リソース管理(RRM)ポリシー最適化問題を定式化する。 ラグランジュ双対領域の問題を再構成し、有限のパラメータセットを用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示し、これは、証明可能な小さな双対性ギャップのおかげで、教師なしの原始双対アプローチにより、スラックと双対変数と共に訓練することができる。 我々は、スケーラブルで置換等価なグラフニューラルネットワーク(GNN)アーキテクチャを用いて、瞬時チャネル条件から導出されるグラフトポロジに基づいてRCMポリシーをパラメータ化する。 実験により,最小容量制約がネットワーク構成やチャネル条件に適合していることを検証する。 さらに,このような適応により,提案手法は,ベースラインアルゴリズムと比較して,平均利率と5パーセンタイル率,すなわち資源割当決定の公平性レベルを定量化する指標との優れたトレードオフを実現することを実証する。

関連論文リスト

• Decentralized Channel Management in WLANs with Graph Neural Networks [17.464353263281907]
  無線ローカルエリアネットワーク(WLAN)は、複数のアクセスポイント(AP)を管理し、トラフィック要求を満たすためにAPに無線周波数を割り当てる。 本稿では,分散的に実装可能な学習型ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-30T21:14:45Z)
• A State-Augmented Approach for Learning Optimal Resource Management Decisions in Wireless Networks [58.720142291102135]
  マルチユーザ無線ネットワークにおける無線リソース管理(RRM)問題について考察する。 目標は、ユーザのエルゴード平均パフォーマンスに制約を受けるネットワーク全体のユーティリティ機能を最適化することである。 本稿では, RRM の制約に対応する2変数の集合を入力として, 瞬時ネットワーク状態と並行して, RRM のパラメータ化を提案する。
  論文  参考訳（メタデータ） (2022-10-28T21:24:13Z)
• State-Augmented Learnable Algorithms for Resource Management in Wireless Networks [124.89036526192268]
  本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。 提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
  論文  参考訳（メタデータ） (2022-07-05T18:02:54Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。