本篇论文提出通过使用图神经网络解决大规模射频资源管理问题，通过设计有效的神经网络结构和理论分析，证明了信息传递图神经网络不仅满足置换等变性，而且能够适用于大规模问题且效率高，进一步通过分布式优化算法分析了方法的性能和泛化性，提供解释性和理论保证。

Jul, 2020

本研究探讨在无线通信系统中设计最优资源分配策略。使用深度神经网络进行训练，同时解决主次变量优化问题。通过数值模拟，验证了所提出方法在许多无线资源分配问题中的有效性。

Jul, 2018

为了在未来的无线网络中实现高数据速率和无处不在的连接，本文提出了一种基于图神经网络的边更新机制，以高效地管理射束形成和功率分配等无线电资源，并在典型的无线电资源管理问题中取得了比现有方法更高的总速率和更短的计算时间。

Dec, 2022

本文提出了一种基于深度神经网络的学习算法来近似数值优化算法，在无线资源管理的应用中，此算法可以在几乎实时完成资源分配，大大提高了计算效率。同时，本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近，并在实现方面用大量数值模拟来证明该算法相对于基于优化的最先进的功率分配算法可以实现几个数量级的加速。

May, 2017

分析了 Vertex-GNNs 和 Edge-GNNs 在学习无线策略时的表达能力，说明了通过使用线性处理器和输出维度来提高 GNNs 的表达能力的必要条件，并通过模拟结果验证了 Edge-GNNs 能以较低的训练和推理时间达到与 Vertex-GNNs 相同的性能。

Jul, 2023

本文提出使用图神经网络（GNNs）解决功率控制问题，并设计了干扰图卷积神经网络（IGCNet）来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能，并且可以解决传统算法下的功率控制问题。

Jul, 2019

本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

Mar, 2020

研究单跳自组织无线网络中最优功率分配问题，使用基于图神经网络的混合神经体系结构，提出了一种展开 WMMSE 算法（UWMMSE），它的可学习权重通过多个功率分配问题的基于梯度的下降方法来训练，达到可比较 WMMSE 的性能并显著降低计算复杂度，数值实验说明了该现象。

Nov, 2020

本研究提出了一种基于 Gumbel-softmax 重参数化方法的边缘 - 云计算网络最佳流量分配方案的求解方法，可通过无监督学习训练出 Gumbel-softmax 采样网络来解决离散优化问题，并且该方法适用于波动性计费且在可行性和成本函数价值方面都表现出优异的性能。

Jul, 2023

无线资源管理的需求增加了对高效无线资源管理的精简神经网络结构的开发的需求。本文介绍了一种针对无线资源管理量身定制的图神经网络（GNN）的新方法：低秩消息传递图神经网络（LR-MPGNN）。该方法基于低秩逼近技术，将传统线性层替换为其低秩对应层，大大减小了模型尺寸和参数个数。通过多个关键指标对提出的 LR-MPGNN 模型的性能进行评估，包括模型尺寸、参数个数、通信系统的加权和速率以及权重矩阵的特征值分布。广泛的评估结果显示，LR-MPGNN 模型的模型尺寸减小了 60 倍，模型参数个数可以减少高达 98%。在性能方面，相对于原始 MPGNN 模型，LR-MPGNN 模型在最佳情况下的规范加权和速率仅降低了 2%，表现出很好的鲁棒性。此外，LR-MPGNN 模型的权重矩阵的特征值分布更加均匀，范围更广，表明了权重的战略性重新分布。

Mar, 2024