그래프 신경망을 활용한 이종 무선 네트워크에서의 확장 가능한 전력 제어/빔 포밍

기계 학습(ML)은 무선 네트워크에서 효율적인 자원 할당(RA)을 위해 널리 사용되어 왔습니다. 소규모 및 단순 네트워크에서 뛰어난 성능을 달성했지만, 대부분의 기존 ML 기반 접근법은 이질성이 발생하고 네트워크 크기가 확장될 때 어려움에 직면합니다. 본 논문에서는 이종 장치 간(D2D) 네트워크에서 전력 제어/빔 포밍(PC/BF)에 중점을 두고 이러한 문제를 해결하기 위해 이종 간섭 그래프 신경망(HIGNN)이라는 새로운 비지도 학습 기반 프레임워크를 제안합니다. 먼저, 이종 그래프를 사용하여 다양화된 링크 특성과 간섭 관계를 특징 짓습니다. 그 다음, HIGNN은 이웃 링크와의 제한된 정보 교환 후 각 링크가 개별 전송 방식을 얻을 수 있도록 합니다. HIGNN은 소규모 네트워크에서 훈련된 후 강력한 성능으로 증가하는 크기의 무선 네트워크에 확장 가능하다는 점이 주목할 만합니다. 수치 결과는 최첨단 기준과 비교했을 때 HIGNN이 매우 높은 실행 효율성을 달성하면서 강력한 성능을 제공함을 보여줍니다.