可扩展无线电资源管理的图神经网络：架构设计与理论分析

MMJul, 2020

可扩展无线电资源管理的图神经网络：架构设计与理论分析

Graph Neural Networks for Scalable Radio Resource Management: Architecture Design and Theoretical Analysis

Yifei Shen, Yuanming Shi, Jun Zhang, Khaled B. Letaief

TL;DR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。

Abstract

deep learning has recently emerged as a disruptive technology to solve challenging radio resource management problems in wireless networks. However, the neural network architectures adopted by existing works suff

deep learning graph neural networks radio resource management scalability interpretablity

发现论文，激发创造

微型图神经网络用于无线资源管理

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

一种用于可扩展无线功率控制的图神经网络方法

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

ENGNN: 一种通用的具有边缘更新功能的 GNN 结构，用于无线网络中的无线电资源管理

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

基于随机边图神经网络的最优无线资源分配

本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配，通过卷积神经网络构建 REGNN，利用无监督模型进行权重训练，并测试其性能和转移能力。

Sep, 2019

无线网络中图神经网络应用综述

本文简要介绍了 GNN（图神经网络）的构建方法和在无线网络中的应用，包括资源分配和新兴领域的探索，并探讨了 GNN 在无线通信系统中应用的几个研究方向和趋势。

Jul, 2021

使用循环图神经网络学习图算法

针对图状数据的学习问题，该研究提出了一种基于递归架构的图神经网络算法，其关键在于使用跳过连接、状态规则化和边缘卷积等三种技术以实现对小型图问题的端到端学习及大规模图问题的推广。实验证明该算法具有较高的推广能力。

Dec, 2022

在无线网络中部署图神经网络：链路稳定性视角

利用 Lyapunov 优化方法，最大化实现长期平均通信链路数目，以优化功率控制，改善图神经网络在资源受限的无线系统中的学习性能。

May, 2024

混合任务元学习：一种可扩展和可迁移的带宽分配的图神经网络方法

本文提出了一个基于深度学习的带宽分配策略，该策略具有可扩展性和适用性，通过图神经网络表示带宽分配策略，使用混合任务元学习算法进行训练，通过模拟结果验证了方法的有效性和性能优势。

Dec, 2023

双分图神经网络用于可扩展波束成形优化

该论文提出了一种双分图神经网络框架，用于多天线波束成形优化，可实现可扩展性，通过联合训练可以普遍适用于任意 MU-MISO 系统，并验证了其在传统方法上的优越性。

Jul, 2022

异构无线网络中基于图神经网络的可扩展功率控制 / 波束成形

本文提出了一种名为异构干扰图神经网络（HIGNN）的无监督学习框架来解决异构设备对设备网络中功率控制 / 波束成形的挑战，该框架可以实现对小型网络的训练，并展现出强大的性能表现。

Apr, 2021