Apr, 2021

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

PDF
TL;DR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。
machine learningresource allocationpower controlbeamformingheterogeneous interference graph neural network
发现论文，激发创造
  • 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

  • 异质图神经网络用于移动蜂窝系统的功率控制学习

    使用嵌入先验知识的 HetGNN 及参数共享方案来学习多用户多小区网络中的最优功率控制策略，相比于 DNN，其拥有更低的样本复杂度和较小的网络规模。

    Nov, 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

    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

  • 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

  • 5G 网络的深度强化学习：联合波束形成、功率控制和干扰协调

    本文讨论了如何使用深度强化学习来优化 5G 网络中的波束成形、功率控制和干扰协同，并将其构建为一个非凸优化问题，以最大化信号干扰加噪声比（SINR）; 该算法在子 6 GHz 和毫米波（mmWave）频段的语音无线电和数据无线电中都取得了更好的性能。

    Jun, 2019

  • 基于深度学习的联合多用户 MISO 功率分配与波束形成设计

    基于深度学习的无监督式深度学习的联合功率分配和波束形成设计方案可以提高频谱效率，并且相较于传统方法具有较高的计算效率。

    Jun, 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

  • 通过自适应图形的无线网络中的多智能体强化学习功率控制

    无线网络中的动态优化策略是一个重要的研究领域，本文提出了一种使用图神经网络的方法，将分布式代理之间的动态相互作用建模，并在网络优化问题中实现了较好的泛化能力验证

    Nov, 2023

  • 具备干扰和数据异质性认知的分层无线联邦学习

    这项研究提出了一种用于解决分层联邦学习在无线网络中可扩展性和干扰、设备数据异质性的挑战的学习方法，并通过优化的接收器归一化因子来减小干扰的影响。通过使用随机几何建模多簇无线网络并将聚合估计的均方误差作为网络参数的函数进行表征，论文证明了在干扰和数据异质性的情况下，所提出的方案实现了较高的学习准确性，并且可以显著优于传统的分层算法。

    Jan, 2024

  • GBLinks：面向超密集 D2D mmWave 网络的基于 GNN 的波束选择和链路激活

    利用基于图神经网络的深度学习架构和无监督的拉格朗日对偶学习框架，联合进行波束选择和链路激活以控制毫米波通信网络中通信对之间的干扰，并达到近似最优解。

    Jul, 2021